双判别器生成对抗网络
机器学习
2017-09-13 v1 机器学习
摘要
我们在本文中提出一种新方法以解决生成对抗网络(GAN)中遇到的模式崩溃问题。我们的想法直观但被证明非常有效，特别是在解决GAN的一些关键局限性方面。本质上，它将Kullback-Leibler (KL)散度和反向KL散度结合到一个统一的目标函数中，从而利用这些散度的互补统计特性来有效多样化所估计的密度以捕捉多模态。我们将我们的方法称为双判别器生成对抗网络(dual discriminator generative adversarial nets, D2GAN)，与GAN不同，它有两个判别器；并且与生成器一起，它也具有极小极大博弈的类比，其中一个判别器对来自数据分布的样本给予高分，而另一个判别器则相反，偏爱来自生成器的数据，生成器产生数据以同时欺骗这两个判别器。我们开展理论分析表明，给定极大化判别器，优化D2GAN的生成器等价于最小化数据分布与由生成器生成的数据所诱导的分布之间的KL和反向KL散度，从而有效避免模式崩溃问题。我们在合成和真实世界大规模数据集(MNIST、CIFAR-10、STL-10、ImageNet)上进行了广泛实验，尽最大努力在全面的定性和定量评估中将我们的D2GAN与最新最先进的GAN变体进行比较。实验结果表明，我们的方法在生成高质量和多样化样本方面相对于基线具有竞争性和优越性能，并且我们的方法具备扩展到ImageNet数据库的能力。
引用
@article{arxiv.1709.03831,
title = {Dual Discriminator Generative Adversarial Nets},
author = {Tu Dinh Nguyen and Trung Le and Hung Vu and Dinh Phung},
journal= {arXiv preprint arXiv:1709.03831},
year = {2017}
}