Despite the success of generative adversarial networks (GANs), their training
suffers from several well-known problems, including mode collapse and
difficulties learning a disconnected set of manifolds. In this p
本文研究了 GAN 模型难以正确模拟支持在不连通流形上的分布的问题,并提出了使用多个生成器来解决这个问题的方法,并提出了一种新的方法来学习先验分布,并在不需要人工干预的情况下推断所需的生成器数量,以使模型可以学习支持在不连通流形上的分布。本文的贡献包括证明单一生成器 GAN 模型难以正确模拟支持在不连通流形上的分布以及提出了解决这个问题的方法,并通过实验来验证所提出的方法的有效性。
本文提出了一种新的训练框架 Generative Adversarial Parallelization,通过交换鉴别器,使多个 GAN 同时训练,消除了生成器和鉴别器之间的紧密耦合,从而提高了收敛性和模态覆盖率,并提出了改进的 Generative Adversarial Metric,可以评分单个 GAN 或其在 GAP 模型下的集合。