用于生成对抗网络动态掩码判别器

训练生成对抗网络（GANs）仍然是一个具有挑战性的问题。判别器通过学习真实/生成数据的分布来训练生成器。然而，生成数据的分布在整个训练过程中不断变化，判别器难以学习。在本文中，我们从在线持续学习的角度提出了一种用于 GANs 的新方法。我们观察到，在历史生成数据上训练的判别器模型常常减慢其对新到达生成数据变化的适应，从而降低了生成结果的质量。通过将训练中的生成数据视为流，我们提出检测判别器是否减慢了对生成数据中新知识的学习。因此，我们可以显式地强制判别器快速学习新知识。特别地，我们提出了一种新的判别器，它自动检测自身的迟缓然后动态掩码其特征，使得判别器能够自适应地学习生成数据的时变分布。实验结果表明我们的方法优于最先进的方法。