Aug, 2020

GAN 中正则化和归一化的系统调查

PDF
TL;DR本文系统描述了 GAN 训练的不同的视角和正则化与归一化的不同目标，提出了更细致的分类法，并比较了现有的主流方法在不同数据集上的表现，同时探究了这些正则化与归一化方法在最新 GAN 中的应用以及未来的研究方向。
generative adversarial networksregularizationnormalizationtraining stabilityperformance improvement
发现论文，激发创造
  • 增强型对抗生成网络正则化和规范化的大规模研究

    本文从实用角度出发，分析评估生成对抗网络的常见错误和可重现性问题，并提供预训练模型。

    Jul, 2018

  • 通过正则化稳定生成对抗网络的训练

    通过提出一种新的正则化方法，我们克服了 GAN 模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

    May, 2017

  • 稳定生成对抗网络：综述

    本文综述了文献中可找到的 GAN 训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

    Sep, 2019

  • 生成对抗网络的一致性正则化

    本文提出了一种基于一致性正则化的简单、有效的 GAN 训练稳定器，通过在 GAN 鉴别器中引入数据扩充并惩罚鉴别器对这些扩充的敏感度，以在不增加显着计算开销的情况下，为无条件和有条件图像生成提供最佳结果。

    Oct, 2019

  • 正则化生成对抗网络

    本研究论文证明生成式对抗网络的不稳定性和漏模现象源自鉴别器在高位空间内的特殊功能形状，提出了多种正则化目标的解决方案从而实现生成模型的稳定训练并解决数据生成分布的漏模问题。

    Dec, 2016

  • 生成对抗网络综述：变种、应用与训练

    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

  • 关于批归一化和权重归一化对生成对抗网络的影响

    本研究介绍了一种基于权重标准化的方法，用于改善生成对抗网络（GAN）的训练稳定性、效率和生成样本质量，并提供了基于测试集的平方欧几里得重构误差作为新的客观质量度量来评估训练性能，结果表明该方法优于基于批标准化（BN）的方法，并在常用数据集上取得了更好的定性和定量结果。

    Apr, 2017

  • GAN 的稀疏感知归一化

    本文提出了一种新的归一化方法（SAN），并通过大量实验证明，与现有的方法相比，SAN 能够在 GAN 的训练中取得更好的效果。SAN 考虑了稀疏性，并且在 ReLU 激活的卷积网络中特别有效，并且在图像到图像翻译任务中表现出更好的性能，并且能够在较少的训练时期内以及较小的容量网络中发挥作用，而且几乎不需要计算开销。

    Mar, 2021

  • 计算机视觉中的生成式对抗网络：调查和分类

    对 GAN 领域中的高质量图像生成、图像生成的多样性和稳定训练等三个实际问题的研究进展进行了详细回顾和分类，同时讨论了 GAN 在计算机视觉中最成功的应用并提出了未来的研究方向。

    Jun, 2019

  • 有限数据下的生成对抗网络正则化

    该论文提出了一种正则化方法来训练健壮的 GAN 模型，使其在有限的训练数据下表现更好，并且在几个基准数据集上的实验证明了该方法在提高泛化性能和稳定学习动态方面的有效性。

    Apr, 2021