CKGAN：基于特征核积分概率度量训练生成对抗网络
机器学习
2025-04-09 v1 人工智能
计算机视觉与模式识别
摘要
本文提出了CKGAN，这是一种基于特征核积分概率度量（CKIPM）框架的新型生成对抗网络（GAN）变体。CKIPM作为两个概率分布之间的距离，旨在优化在再生产核希尔伯特空间中最大均值差距（MMD）的下界，因此可用于训练GAN。CKGAN通过将生成图像映射回随机噪声来缓解模式崩溃的著名问题。为节省手动选择核函数的工作，本文提出了一种软选择方法，自动学习特征核函数。在一组合成和真实图像基准（MNIST、CelebA等）上的实验评估表明，CKGAN通常优于其他基于MMD的GAN。结果还显示，尽管训练时间稍多，自动选择的核函数在真实图像基准上性能几乎与手动微调的最佳结果相当，并且能够提高其他基于MMD的GAN的性能。
引用
@article{arxiv.2504.05945,
title = {CKGAN: Training Generative Adversarial Networks Using Characteristic Kernel Integral Probability Metrics},
author = {Kuntian Zhang and Simin Yu and Yaoshu Wang and Makoto Onizuka and Chuan Xiao},
journal= {arXiv preprint arXiv:2504.05945},
year = {2025}
}
备注
Source codes are available at https://github.com/chuanxiao1983/CKGAN/