复杂度受控的生成对抗网络

训练生成对抗网络（GANs）及其变体所面临的问题之一是模式崩溃问题，即随着训练数据使用量的增加，生成损失的训练稳定性反而上升。本文通过低复杂度神经网络（LCNN）提出一种替代架构，其试图学习低复杂度的模型。动机在于控制模型复杂度可得到不会对训练数据过拟合的模型。我们将 LCNN 损失函数引入 GANs、深度卷积 GANs（DCGANs）和谱归一化 GANs（SNGANs），从而分别构建称为 LCNN-GAN、LCNN-DCGAN 和 LCNN-SNGAN 的混合架构。在多个大型基准图像数据集上，我们表明所提模型的使用可实现稳定训练，同时避免模式崩溃问题，从而获得更好的训练稳定性。我们还展示了如何通过 LCNN 泛函中的超参数来控制学习行为，该超参数也提供了改进的 inception score。