利用代表性特征改进生成对抗网络的训练
计算机视觉与模式识别
2018-07-04 v3
摘要
尽管生成对抗网络（GANs）在图像生成上取得了成功，视觉质量与图像多样性之间的权衡仍是一个重要问题。本文通过提升 GANs 训练的稳定性同时实现了这两个目标。所提方法的核心思想是利用代表性特征对判别器进行隐式正则化。聚焦于标准 GAN 最小化反向 Kullback-Leibler（KL）散度这一事实，我们将使用预训练自编码器（AE）从数据分布中提取的代表性特征迁移到标准 GANs 的判别器中。由于 AE 学习最小化前向 KL 散度，我们带有代表性特征的 GAN 训练同时受到反向和前向 KL 散度的影响。因此，通过大量评估验证了所提方法提升了最先进 GANs 的视觉质量与多样性。
引用
@article{arxiv.1801.09195,
title = {Improved Training of Generative Adversarial Networks Using Representative Features},
author = {Duhyeon Bang and Hyunjung Shim},
journal= {arXiv preprint arXiv:1801.09195},
year = {2018}
}
备注
Accepted at ICML 2018