基分解的随机条件生成网络
本文提出了一种名为 Mixture GAN (MGAN)的新方法,该方法采用多个生成器的混合训练,旨在克服 mode collapsing 问题,通过理论分析得出结论,证明了在平衡状态下,多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小,生成器之间的 Jensen-Shannon 差异最大,从而有效地避免了 mode collapsing 问题,能够在多项实验中取得明显的优势。
Aug, 2017
这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络(cGAN)中的模式崩塌问题,它通过显式地规范化生成器以产生不同的输出来控制可变因素,从而在视觉质量和多样性之间实现平衡,这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。
Jan, 2019
本研究提出了基于贝叶斯公式的 GAN 模型,通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重,在不需要特征匹配或使用小批量区分等标准干预的情况下,实现半监督和无监督的学习效果,避免了模式崩塌的问题,并在多个基准数据集上取得了最佳性能。
May, 2017
本文提出了一种名为 packing 的方法来处理 GAN 中的模式崩溃现象,其主要思想是修改判别器使其决策基于同一类别的多个样本(真实或者人工生成的)。数值实验表明 packing 在实践中提供了显著的改进。
Dec, 2017
提出了一种基于多个鉴别器网络来训练生成器的创新框架,通过更新分配给每个判别器的混合权重来反映生成器的进展情况,实验结果表明能够通过学习曲线来提高样本的质量和多样性。
Jul, 2018
本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题,提出了一种简单而有效的正则化项,最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力,此正则化方法可广泛应用于各种不同的条件生成任务中,不会增加训练负担或修改现有的网络结构,实验证明该方法在提高多样性方面效果显著。
Mar, 2019
本文提出了一种新的基于随机化决策规则的 GAN 公式,其中鉴别者收敛于一个固定点,而生成器则收敛于 Nash 均衡下的分布,通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法,得到了一种有效的支撑算法。
Jun, 2023
该论文提出了一种新的概率模型训练原则 —— 基于学习马尔可夫链的转移算子,其稳态分布估计数据分布,并能采样出变量的子集。我们提供了一些定理以证明该方法的有效性,该方法也能适用于带有缺失变量的情况,并且不需要分层逐层预训练。
Jun, 2013
该论文介绍了一种新的生成对抗网络模型,称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象,并且通过优化熵正则化对抗性损失,并添加噪声,使得可以估算概率密度。实验结果表明,PresGAN 生成的样本质量高,且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。
Oct, 2019
本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体, 它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中,从而支持一种新的损失函数,并提供一种有意义的衡量网络生成输出质量的方法,实验证明 MNIST 数据集的 PGAN 能够生成逼真的图像并计算出与生成图像质量相关的似然度,同时 PGAN 在处理 GAN 训练过程中通常存在的稳定性问题方面具有更好的性能。
Aug, 2017