IGAN:一种基于 Inception 的生成对抗网络稳定高保真图像合成新模型
计算机视觉与模式识别
2026-01-14 v1 人工智能
摘要
生成对抗网络(GAN)面临着一个重大挑战,即如何在高质量图像生成与训练稳定性之间取得最佳平衡。诸如 DCGAN、BigGAN 和 StyleGAN 等近期技术提升了视觉保真度;然而,这些技术通常在网络深度较大时会出现模式崩溃和梯度不稳定的问题。本文提出了一种新颖的 GAN 结构模型,该模型结合了更深的受 Inception 启发的卷积与空洞卷积。这一新模型被称为 Inception 生成对抗网络(IGAN)。IGAN 模型通过减少模式崩溃以及防止梯度消失和爆炸,在保持训练稳定性的同时生成高质量合成图像。我们提出的 IGAN 模型在 CUB-200 和 ImageNet 数据集上分别取得了 13.12 和 15.08 的 Frechet Inception Distance (FID),相较于现有最先进的 GAN 在 FID 上提升了 28-33%。此外,IGAN 模型达到了 9.27 和 68.25 的 Inception Score (IS),反映出图像多样性和生成质量的提升。最后,在生成器和判别器结构中均采用了 dropout 和谱归一化这两种技术,以进一步缓解梯度爆炸和过拟合。这些发现证实,IGAN 模型有望在训练稳定性与图像生成质量之间取得平衡,构成一个用于高保真图像合成的可扩展且计算高效的框架。
引用
@article{arxiv.2601.08332,
title = {IGAN: A New Inception-based Model for Stable and High-Fidelity Image Synthesis Using Generative Adversarial Networks},
author = {Ahmed A. Hashim and Ali Al-Shuwaili and Asraa Saeed and Ali Al-Bayaty},
journal= {arXiv preprint arXiv:2601.08332},
year = {2026}
}
备注
11 pages, 6 figures