用于缓解生成对抗网络中多对一崩溃的配对正则化

模式崩溃仍然是训练生成对抗网络（GAN）的一个根本性挑战。现有工作主要关注模式间崩溃，例如模式丢失，而对模式内崩溃——即多个潜变量映射到相同或高度相似的输出——的关注则少得多。本文提出了一种与生成器联合优化的配对正则化器，通过强制潜变量与生成样本之间的局部一致性来缓解多对一崩溃。我们表明，配对正则化的效果取决于训练中的主导失败模式。在探索受限的易崩溃状态下，配对鼓励结构化的局部探索，从而改善覆盖范围并提高召回率。相反，在探索充分的稳定训练状态下，配对通过抑制冗余映射来细化生成器所诱导的数据密度，从而在不牺牲召回率的情况下提高精度。在玩具分布和真实图像基准上的大量实验表明，所提出的正则化器通过直接解决模式内崩溃，有效地补充了现有的稳定化技术。