HingeRLC-GAN：利用 Hinge 损失和 RLC 正则化对抗模式坍缩
机器学习
2025-03-26 v1 人工智能
摘要
生成对抗网络 (GAN) 的近期进展表明其在生成高质量图像方面具有能力，但仍面临一个重要挑战：模式坍缩，即生成器产生的仅限于训练数据集中有限数量的模式，无法反映数据集的多样性。本研究通过提出若干架构变更来解决此问题，旨在增加 GAN 模型的多样性和稳定性。我们首先通过 Wasserstein 损失和梯度惩罚来改进损失函数，以更好地捕捉数据变化的完整范围。我们还考察了各种网络架构，得出结论 ResNet 在显著提升多样性方面起到了关键作用。基于上述发现，我们引入 HingeRLC-GAN，这是一种新方法，结合了 RLC 正则化和 Hinge 损失函数。我们的方法在 FID 分数达到 18、KID 分数为 0.001 时，显著优于现有方法，有效平衡了训练稳定性和多样性提升。
引用
@article{arxiv.2503.19074,
title = {HingeRLC-GAN: Combating Mode Collapse with Hinge Loss and RLC Regularization},
author = {Osman Goni and Himadri Saha Arka and Mithun Halder and Mir Moynuddin Ahmed Shibly and Swakkhar Shatabda},
journal= {arXiv preprint arXiv:2503.19074},
year = {2025}
}