关于使用噪声稳定生成对抗训练
我们引入了一种方法来稳定生成对抗网络(GAN),即通过将生成器目标定义为对鉴别器的展开优化来训练,从而解决了GAN训练中的常见问题和提高了生成器的多样性和数据分布覆盖率。
Nov, 2016
本文提出了一种针对高维度情况下 GAN 训练不稳定的方法,即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度,实验结果表明该方法能够生成较高质量的图像样本。
May, 2017
通过引入一种简单的方法,使真实数据分布经过一个‘透镜’传达给辨别器,让生成器逐步揭示出更多细节特征,改善了GAN训练的质量、稳定性和收敛速度,对各种GAN架构如DCGAN、LSGAN、WGAN-GP都可行。
Feb, 2018
本文提出了一种理论框架,可以理解各种类型的生成对抗网络(GANs)的稳定性,并采用凸分析、最优传输和再现核等工具构建了一种可以同时满足这些条件的GAN,解释并澄清了现有GAN稳定技术的必要性。
Feb, 2020
本文综述了生成模型的最新应用——生成对抗网络(GAN)及其在计算机视觉和机器学习领域的实际应用,讨论了GAN训练中的困难和障碍,并调查了不同研究者提出的训练方案,以求实现GAN的稳定训练,最后探讨了与该主题相关的新问题和研究方向。
Jun, 2020
本文提出一种自适应判别器增广机制,稳定有限数据中生成对抗网络的训练,无需改变损失函数或网络架构,适用于从头开始训练和调优现有GAN的情况,并在几个数据集上进行了实证分析,结果表明,仅使用少量的训练图像就可以获得好的结果,通常与StyleGAN2的结果相匹配,而使用的图像数量则少了一个数量级。此方法有望扩大GAN的应用领域,并发现CIFAR-10是一个有限数据基准,在此基础上改进了记录FID(Fréchet Inception Distance)由5.59到2.42。
Jun, 2020