通过有界性与连续性约束的 Lipschitz GAN

生成对抗网络 (GANs) 研究中的挑战之一是其性能控制的困难。Lipschitz 约束对于保证 GANs 的训练稳定性至关重要。尽管已经提出了权重裁剪、梯度惩罚和谱归一化等启发式方法来强制 Lipschitz 约束，但要实现一个既在实际中有效又在理论上可证明满足 Lipschitz 约束的解仍然困难。在本文中，我们引入有界性与连续性 ($BC$) 条件，以对 GANs 的判别器函数强制 Lipschitz 约束。我们从理论上证明了具有满足 BC 条件判别器的 GANs 满足 Lipschitz 约束。我们通过强制卷积神经网络 (CNN) 满足 $BC$ 条件 (BC-GAN)，提出了一种基于 CNN 的非常有效的 GAN 实现。我们表明，与包括梯度惩罚和谱归一化在内的最新技术相比，BC-GANs 不仅具有更好的性能，而且计算复杂度更低。