稳定生成对抗网络:综述
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
本文旨在为数学家提供适用的 GANs 理论解释,概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。
Jun, 2018
生成对抗网络(GANs)是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域,并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估,并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后,揭示了该领域的若干问题和未来研究方向。
Aug, 2023
本文提出了一种新的 GAN 框架,名为进化生成对抗网络 (E-GAN),该框架使用不同的对抗训练目标作为突变操作,通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力,并利用评估机制来衡量生成样本的质量和多样性,从而始终保留最佳基因用于进一步的训练,从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018
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
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