探究 GAN 输出分布的偏移
机器学习
2021-12-30 v1 计算机视觉与模式识别
摘要
在生成对抗网络（GAN）研究中，一个基本且仍远未解决的问题是它们是否真正能够捕捉真实数据分布并据此采样。特别是，图像分布的多维特性导致对 GAN 分布多样性的评估十分复杂。现有方法仅能提供对此问题的部分理解，使该问题悬而未决。本工作中，我们引入一种循环训练方案，用于系统性地研究真实训练数据与 GAN 生成数据分布之间可观测的偏移。此外，我们引入若干有界分布偏移度量，它们既易于计算又易于解释。总体而言，这些方法的结合使得对当前 GAN 算法内在局限性的探索性研究成为可能。我们在不同数据集和多个最先进 GAN 架构上的实验显示出输入与输出分布之间的巨大偏移，表明现有的关于输出分布收敛的理论保证在实践中似乎并不成立。
引用
@article{arxiv.2112.14061,
title = {Investigating Shifts in GAN Output-Distributions},
author = {Ricard Durall and Janis Keuper},
journal= {arXiv preprint arXiv:2112.14061},
year = {2021}
}