用于生成对抗网络的惩罚梯度归一化
计算机视觉与模式识别
2023-06-26 v1 机器学习
摘要
本文提出一种称为惩罚梯度归一化（PGN）的新归一化方法，以解决由尖锐梯度空间引起的生成对抗网络（GANs）训练不稳定问题。与梯度惩罚和谱归一化等已有工作不同，所提PGN仅对判别器函数施加惩罚梯度范数约束，从而提升了判别器的容量。此外，所提惩罚梯度归一化只需少量修改即可应用于不同GAN架构。在三个数据集上的大量实验表明，采用惩罚梯度归一化训练的GAN在Frechet Inception Distance与Inception Score方面均优于现有方法。
引用
@article{arxiv.2306.13576,
title = {Penalty Gradient Normalization for Generative Adversarial Networks},
author = {Tian Xia},
journal= {arXiv preprint arXiv:2306.13576},
year = {2023}
}
备注
Under Review