最小二乘生成对抗网络
计算机视觉与模式识别
2017-04-06 v3
摘要
利用生成对抗网络（GANs）的无监督学习已被证明极为成功。常规GANs将判别器假设为带有sigmoid交叉熵损失函数的分类器。然而，我们发现该损失函数可能导致学习过程中的梯度消失问题。为克服此问题，我们在本文中提出采用最小二乘损失函数作为判别器的最小二乘生成对抗网络（LSGANs）。我们证明最小化LSGAN的目标函数等价于最小化皮尔逊 散度。相较于常规GANs，LSGANs有两个好处。第一，LSGANs能够生成比常规GANs更高质量的图像。第二，LSGANs在学习过程中表现更稳定。我们在五个场景数据集上评估LSGANs，实验结果表明LSGANs生成的图像质量优于常规GANs生成的图像。我们还进行了两组LSGANs与常规GANs的对比实验以说明LSGANs的稳定性。
引用
@article{arxiv.1611.04076,
title = {Least Squares Generative Adversarial Networks},
author = {Xudong Mao and Qing Li and Haoran Xie and Raymond Y. K. Lau and Zhen Wang and Stephen Paul Smolley},
journal= {arXiv preprint arXiv:1611.04076},
year = {2017}
}