弥合 $f$-GAN 与 Wasserstein GAN 之间的鸿沟

Jiaming Song; Stefano Ermon

弥合 $f$-GAN 与 Wasserstein GAN 之间的鸿沟

机器学习 2020-06-19 v2 机器学习

作者: Jiaming Song , Stefano Ermon

摘要

生成对抗网络（GANs）在学习高维分布方面取得了巨大成功。其学习目标利用判别器近似最小化模型分布与数据分布之间的 $f$ -散度（ $f$ -GANs）或积分概率度量（Wasserstein GANs）。Wasserstein GANs 具有优异的经验性能，但在 $f$ -GANs 中判别器可解释为密度比估计器，这在某些 GAN 应用中是必要的。本文弥合了 $f$ -GANs 与 Wasserstein GANs（WGANs）之间的鸿沟。首先，我们列出了保持最优解的变分 $f$ -散度估计目标上的两个约束。接着，我们在该约束目标的拉格朗日松弛上最小化，并证明其推广了 $f$ -GAN 与 WGAN 的判别器（critic）目标。基于此推广，我们提出了一种新颖的实用目标，称为 KL-Wasserstein GAN（KL-WGAN）。我们在合成数据集和真实世界图像生成基准上展示了 KL-WGAN 的经验成功，并在 CIFAR10 图像生成上取得了最先进的 FID 分数。

关键词

生成对抗网络 $f$-散度 Wasserstein GAN 变分散度估计拉格朗日松弛 KL-Wasserstein GAN 图像生成

引用

@article{arxiv.1910.09779,
  title  = {Bridging the Gap Between $f$-GANs and Wasserstein GANs},
  author = {Jiaming Song and Stefano Ermon},
  journal= {arXiv preprint arXiv:1910.09779},
  year   = {2020}
}

备注

updated for ICML camera ready version

弥合 $f$-GAN 与 Wasserstein GAN 之间的鸿沟

摘要

关键词

引用

备注

相关论文