microbatchGAN：利用多对抗判别激发多样性

我们提出通过采用多个判别器并将每个小批量（称为微批量，microbatch）的不同部分分配给每个判别器，来解决生成对抗网络（GANs）中的模式崩溃问题。我们利用多样性参数 $\alpha$ 逐步将每个判别器的任务从区分真实样本与伪造样本，转变为判别来自其指定微批量之内或之外的样本。随后，生成器被迫在每个微批量中提升多样性，以使各判别器更难完成微批量判别。因此，我们框架中的所有模型都因生成集合中的多样性而受益，从而降低各自的损失。我们在多个数据集上展示了证据表明，我们的方案从训练早期阶段就促进了样本多样性。