CDE-GAN：基于协同双进化的生成对抗网络
计算机视觉与模式识别
2021-03-24 v2 图像与视频处理
摘要
生成对抗网络（GANs）已成为现实应用中流行的深度生成模型。尽管近期对 GANs 已有诸多贡献，但由其对抗优化困难引发的模式崩溃与不稳定仍是开放问题。本文受协同协同进化算法启发，提出一种基于协同双进化的生成对抗网络（CDE-GAN）以规避这些缺陷。本质上，CDE-GAN 将关于生成器与判别器的双进化纳入统一进化对抗框架，以进行有效对抗多目标优化。从而它利用互补特性并向训练中注入双突变多样性，以稳定地多样化所估计密度，捕捉多模态并提升生成性能。具体而言，CDE-GAN 将复杂对抗优化问题分解为两个子问题（生成与判别），各子问题由分离子种群（E-Generator 与 E-Discriminators）求解，并以其自身进化算法演化。此外，我们进一步提出一种软机制以平衡 E-Generators 与 E-Discriminators 间的权衡，从而为 CDE-GAN 进行稳定训练。在合成数据集与三个真实世界基准图像数据集上的大量实验表明，所提 CDE-GAN 在生成高质量且多样样本上相较基线取得具竞争力且更优的性能。代码与更多生成结果见项目主页：https://shiming-chen.github.io/CDE-GAN-website/CDE-GAN.html。
引用
@article{arxiv.2008.09388,
title = {CDE-GAN: Cooperative Dual Evolution Based Generative Adversarial Network},
author = {Shiming Chen and Wenjie Wang and Beihao Xia and Xinge You and Zehong Cao and Weiping Ding},
journal= {arXiv preprint arXiv:2008.09388},
year = {2021}
}
备注
15 pages,6 figures,4 tables. Accepted by IEEE Transactions on Evolutionary Computation