MSG-GAN：用于生成对抗网络的多尺度梯度
计算机视觉与模式识别
2020-06-16 v4 机器学习
机器学习
摘要
尽管生成对抗网络（GANs）在图像合成任务中取得了巨大成功，但它们 notoriously 难以适配不同数据集，部分原因在于训练不稳定以及对超参数敏感。一种被广泛接受的不稳定原因是：当真实与生成分布的支持集重叠不足时，从判别器传向生成器的梯度变得无信息量。在这项工作中，我们提出多尺度梯度生成对抗网络（MSG-GAN），一种简单而有效的技术，通过允许梯度在多个尺度上从判别器流向生成器来解决此问题。该技术为高分辨率图像合成提供了稳定方法，并作为常用的渐进生长技术的替代方案。我们表明，MSG-GAN 在多种不同尺寸、分辨率和领域以及不同损失函数与架构的图像数据集上均能稳定收敛，且所有均使用同一组固定超参数。与最先进 GANs 相比，我们的方法在我们尝试的大多数情况下匹配或超越其性能。
引用
@article{arxiv.1903.06048,
title = {MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks},
author = {Animesh Karnewar and Oliver Wang},
journal= {arXiv preprint arXiv:1903.06048},
year = {2020}
}
备注
CVPR 2020 (Main Conference). Work sponsored by TomTom and Adobe. Code repository: https://github.com/akanimax/msg-stylegan-tf