GAN-QP：一种无梯度消失与 Lipschitz 约束的新型 GAN 框架

Jianlin Su

GAN-QP：一种无梯度消失与 Lipschitz 约束的新型 GAN 框架

机器学习 2018-12-18 v4 计算机视觉与模式识别机器学习

作者: Jianlin Su

摘要

我们知道 SGAN 可能存在梯度消失的风险。一项重要改进是 WGAN，其借助判别器上的 1-Lipschitz 约束来防止梯度消失。是否存在一种既无梯度消失又无判别器 1-Lipschitz 约束的 GAN？我们确实找到了一个，称为 GAN-QP。构建生成对抗网络(GAN)的新框架通常包括三步：1. 选择概率散度；2. 将其转换为对偶形式；3. 进行极小极大博弈。在本文中，我们证明第一步并非必要。我们可以直接在对偶空间中分析散度性质甚至构造新散度。作为回报，我们得到了 WGAN 的一个更简单的替代方案：GAN-QP。我们证明了 GAN-QP 在理论和实践上均优于 WGAN。

关键词

生成对抗网络 GAN-QP 梯度消失 Lipschitz 约束 WGAN 概率散度

引用

@article{arxiv.1811.07296,
  title  = {GAN-QP: A Novel GAN Framework without Gradient Vanishing and Lipschitz Constraint},
  author = {Jianlin Su},
  journal= {arXiv preprint arXiv:1811.07296},
  year   = {2018}
}

备注

simplify some proofs; add reconstruction

GAN-QP：一种无梯度消失与 Lipschitz 约束的新型 GAN 框架

摘要

关键词

引用

备注

相关论文