MCGAN：基于回归的生成器损失增强的 GAN 训练

May, 2024

MCGAN：基于回归的生成器损失增强的 GAN 训练

MCGAN: Enhancing GAN Training with Regression-Based Generator Loss

Baoren Xiao, Hao Ni, Weixin Yang

TL;DR生成对抗网络（GAN）已经成为一种生成高保真数据的强大工具，并且采用监督方法提出了 Monte Carlo GAN（MCGAN）算法，以解决现有方法在生成器训练上缺乏监督导致的振荡与性能不佳的问题，并且数值结果表明 MCGAN 在质量、准确性、训练稳定性和学习潜在空间等方面明显且一致地改进了现有的 GAN 模型。

Abstract

generative adversarial networks (GANs) have emerged as a powerful tool for generating high-fidelity data. However, the main bottleneck of existing approaches is the lack of supervision on the generator training,

generative adversarial networks supervision monte carlo gan regression loss training stability

发现论文，激发创造

利用特征对比将半监督生成对抗网络推广到回归问题

该论文将半监督生成对抗网络从分类问题推广到回归问题，并提出了特征对比的新损失函数，旨在提高神经网络训练的准确率，可以用于计算机视觉等领域的实际应用。

Nov, 2018

基于条件生成对抗网络的广义回归

利用条件生成对抗网络来解决回归问题，通过学习预测函数的输出与输入的配对在训练数据集中无法与特征 - 标签对区分的方式，提出了一种对回归问题的新方法，相比传统回归方法，该方法在拟合数据的分布上做出了更少的假设，具备更好的表示能力，并与统计学中的广义线性模型进行了类比，展示了如何将其扩展到神经网络，通过在多个合成和公开实际数据集上的实验证明了这种新方法优于标准回归的优势，尤其是在实际的重尾回归数据集中，为了使我们的工作更具可重复性，我们发布了源代码。

Apr, 2024

鲁棒性条件生成对抗网络

该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

May, 2018

最小二乘生成对抗网络的有效性

本文提出了最小二乘生成对抗网络（LSGANs），采用了最小二乘损失函数来提高稳定性并生成高质量图像，并通过定性和定量实验进行了比较评估。

Dec, 2017

通过不变统计损失训练隐式生成模型

通过无判别器方法训练一维隐式生成模型，然后扩展到多元情况，成功地学习真实分布并解决现有隐式方法存在的问题。

Feb, 2024

最小二乘生成对抗网络

本文提出了一种使用最小二乘损失函数的生成对抗网络模型，该模型能够在图像生成和稳定性方面表现得更好，并通过实验结果进行了证明。

Nov, 2016

提高生成对抗网络的泛化能力和稳定性

本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

Feb, 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

LARGE: 基于 GAN 语义的潜变量回归

本文提出了一种新的利用少样本或弱监督方式解决回归任务的方法，该方法利用生成式对抗网络（GANs）的语义信息表征能力，实现了将预先训练好的 GANs 转化成回归模型的操作，并证明了其在众多数据集和领域上的高效性。

Jul, 2021

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