Gang of GANs：具有最大间隔排序的生成对抗网络
计算机视觉与模式识别
2017-04-18 v1 机器学习
摘要
传统的生成对抗网络(GAN)及其许多变体通过最小化KL或JS散度损失来训练，该损失衡量生成数据分布与真实数据分布的接近程度。基于Wasserstein距离的近期进展WGAN能够改进基于KL和JS散度的GAN，并缓解GAN训练中常见的梯度消失、不稳定和模式崩溃问题。在本工作中，我们旨在改进WGAN：首先将判别器损失推广为基于间隔的损耗，从而得到更好的判别器，进而更好的生成器；然后执行一种渐进式训练范式，涉及多个GAN共同贡献于最大间隔排序损失，使得后阶段的GAN能在前阶段基础上提升。我们称此方法为Gang of GANs (GoGAN)。我们从理论上证明，在最优训练的WGAN中，所提GoGAN能将真实数据分布与生成数据分布之间的差距至少减小一半。我们还提出了一种基于图像补全任务衡量GAN质量的新方法。我们在四个视觉数据集上评估了我们的方法：CelebA、LSUN Bedroom、CIFAR-10和50K-SSFF，并观察到相对于基线WGAN在视觉和定量上的提升。
引用
@article{arxiv.1704.04865,
title = {Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking},
author = {Felix Juefei-Xu and Vishnu Naresh Boddeti and Marios Savvides},
journal= {arXiv preprint arXiv:1704.04865},
year = {2017}
}
备注
16 pages. 11 figures