通过判别器梯度流精炼深度生成模型

深度生成建模近年来取得了令人瞩目的进展，以至于现在看到与真实世界数据密切相似的模拟样本（例如图像）已十分常见。然而，对于任何给定模型，生成质量通常不一致，并且在不同样本之间可能差异巨大。我们引入判别器梯度流(DGflow)，一种通过真实与生成数据分布之间熵正则化f-散度的梯度流来改进生成样本的新技术。该梯度流采取非线性Fokker-Plank方程的形式，可通过从等效的McKean-Vlasov过程采样轻松模拟。通过精炼劣质样本，我们的技术避免了先前方法（DRS与MH-GAN）所使用的浪费性样本拒绝。与关注特定GAN变体的现有工作相比，我们表明我们的精炼方法可应用于具有向量值判别器的GAN甚至其他深度生成模型，如VAE和Normalizing Flows。在多个合成、图像和文本数据集上的实证结果表明，DGflow显著改善了多种生成模型的生成样本质量，优于最先进的Discriminator Optimal Transport (DOT)和Discriminator Driven Latent Sampling (DDLS)方法。