基于利普希茨密度的损失敏感生成对抗网络
计算机视觉与模式识别
2019-11-19 v6
摘要
在本文中，我们提出了一种新颖的损失敏感生成对抗网络（LS-GAN）的利普希茨正则化理论与算法。具体而言，它训练一个损失函数通过指定间隔区分真实与虚假样本，同时交替学习一个生成器以通过最小化其损失来产生逼真样本。LS-GAN进一步用真实数据密度的利普希茨正则性条件对其损失函数进行正则化，从而产生一个正则化模型，与经典GAN相比，该模型能更好地泛化，从合理数量的训练样本生成新数据。我们将进一步提出广义LS-GAN（GLS-GAN），并展示它包含一大类正则化GAN模型，包括LS-GAN和Wasserstein GAN，作为其特例。与其他GAN模型相比，我们将通过实验表明LS-GAN和GLS-GAN在独立测试集上评估的最小重建误差（MRE）方面生成新图像具有竞争力。我们进一步将LS-GAN扩展为条件形式，用于监督和半监督学习问题，并展示其在图像分类任务上的卓越性能。
引用
@article{arxiv.1701.06264,
title = {Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities},
author = {Guo-Jun Qi},
journal= {arXiv preprint arXiv:1701.06264},
year = {2019}
}
备注
The source codes for both LS-GAN and GLS-GAN are available at \url{https://github.com/maple-research-lab}. LS-GAN is also supported by Microsoft CNTK at \url{https://www.cntk.ai/pythondocs/CNTK_206C_WGAN_LSGAN.html}. The original codes of LS-GAN and GLS-GAN are also available at https://github.com/guojunq/lsgan/ and https://github.com/guojunq/glsgan/