带生成器正则化的连续条件生成对抗网络（cGAN）
机器学习
2021-03-30 v1 计算机视觉与模式识别
摘要
条件生成对抗网络（Conditional Generative Adversarial Networks，cGAN）以难以训练著称，尤其当条件为连续且高维时。为部分缓解此困难，我们在 GAN 生成器损失上提出一种以 Lipschitz 惩罚形式出现的简单生成器正则化项。因此，当生成器在连续空间中输入相邻条件时，该正则化项将利用邻域信息，推动生成器为每个相邻条件生成具有相似条件分布的样本。我们分析了所提正则化项的效果，并在一系列合成与真实世界任务上展示了其鲁棒性能。
引用
@article{arxiv.2103.14884,
title = {Continuous Conditional Generative Adversarial Networks (cGAN) with Generator Regularization},
author = {Yufeng Zheng and Yunkai Zhang and Zeyu Zheng},
journal= {arXiv preprint arXiv:2103.14884},
year = {2021}
}