生成对抗映射网络

生成对抗网络（GANs）在生成逼真图像方面表现出令人印象深刻的性能。它们通过最小化真实图像分布与生成数据分布之间的某种距离度量来拟合生成模型。已使用多种距离度量，如 Jensen-Shannon 散度、$f$-散度、Wasserstein 距离，而选择合适的距离度量对训练生成网络非常重要。本文选择使用最大均值差异（MMD）作为距离度量，其具有若干良好的理论保证。事实上，生成矩匹配网络（GMMN）（Li, Swersky, and Zemel 2015）就是这样一种生成模型，它仅包含一个生成器网络 $G$，通过直接最小化真实分布与生成分布之间的 MMD 来训练。然而，它在具有挑战性的基准数据集（如 CIFAR-10 和 LSUN）上无法生成有意义的样本。为改进 GMMN，我们提议增加一个额外的网络 $F$，称为映射器（mapper）。$F$ 将真实数据分布和生成数据分布从原始数据空间映射到特征表示空间 $\mathcal{R}$，并被训练以最大化 $\mathcal{R}$ 中两个映射分布之间的 MMD，而生成器 $G$ 试图最小化该 MMD。我们将新模型称为生成对抗映射网络（GAMNs）。我们证明对抗映射器 $F$ 可帮助 $G$ 更好地捕捉底层数据分布。我们还表明 GAMN 显著优于 GMMN，并且在 MNIST、CIFAR-10 和 LSUN-Bedrooms 数据集上优于或与其它基于 GAN 的最先进方法相当。