通过 Wasserstein GANs 实现人脸超分辨率
机器学习
2017-05-09 v1 机器学习
摘要
生成对抗网络（GANs）在过去几年中受到了极大的关注，并启发了解决广泛问题的应用。尽管潜力巨大，GANs 难以训练。最近，一系列论文（Arjovsky & Bottou, 2017a; Arjovsky et al. 2017b; 以及 Gulrajani et al. 2017）提出使用 Wasserstein 距离作为训练目标，并承诺跨架构的轻松、稳定 GAN 训练，且只需极少的超参数调优。在本文中，我们在单图像超分辨率的背景下，比较了 Wasserstein 距离与其他训练目标在各种 GAN 架构上的性能。我们的结果认同带有梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，并且 Wasserstein 距离是衡量训练进度的有效度量。
引用
@article{arxiv.1705.02438,
title = {Face Super-Resolution Through Wasserstein GANs},
author = {Zhimin Chen and Yuguang Tong},
journal= {arXiv preprint arXiv:1705.02438},
year = {2017}
}