逃离受限空间中的模式坍塌
机器学习
2018-08-23 v1 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GANs）在训练过程中常遭受不可预测的模式坍塌。我们研究了边界平衡生成对抗网络（BEGAN）——一种最先进的生成模型——的模式坍塌问题。尽管BEGAN具有生成高质量图像的潜力，我们发现其在训练一段时间后倾向于在某些模式上发生坍塌。我们提出了一种称为“带受限空间的BEGAN（BEGAN-CS）”的新模型，其在损失函数中加入了隐空间约束。我们表明，BEGAN-CS能够显著改善训练稳定性并抑制模式坍塌，且既不增加模型复杂度也不降低图像质量。此外，我们将隐向量的分布可视化以阐明隐空间约束的作用。实验结果表明，我们的方法还具有能够在小数据集上训练、并实时生成与给定真实图像相似但具有指定属性变化的图像的额外优势。
引用
@article{arxiv.1808.07258,
title = {Escaping from Collapsing Modes in a Constrained Space},
author = {Chia-Che Chang and Chieh Hubert Lin and Che-Rung Lee and Da-Cheng Juan and Wei Wei and Hwann-Tzong Chen},
journal= {arXiv preprint arXiv:1808.07258},
year = {2018}
}
备注
To appear in ECCV 2018