生成对抗网络的正则化方法：近期研究综述
图像与视频处理
2020-05-20 v1 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
尽管历史短暂，生成对抗网络（GAN）已被广泛研究并用于多种任务，包括其最初目的即合成样本生成。然而，GAN 在不同数据类型与多样神经网络架构上的应用受其训练局限性的阻碍，模型易于发散。GAN 这种臭名昭著的训练问题众所周知，并已在大量研究中被探讨。因此，为使 GAN 训练稳定，近年来提出了众多正则化方法。本文综述了近期引入的正则化方法，其中大多数发表于过去三年。具体而言，我们聚焦于可独立于神经网络架构普遍使用的通用方法。为探索 GAN 正则化的最新研究趋势，按操作原理将方法分为若干类，并分析各方法间差异。此外，为提供使用这些方法的实用知识，我们调研了最先进 GAN 中频繁采用的流行方法。我们还讨论了现有方法的局限性并提出了未来研究方向。
引用
@article{arxiv.2005.09165,
title = {Regularization Methods for Generative Adversarial Networks: An Overview of Recent Studies},
author = {Minhyeok Lee and Junhee Seok},
journal= {arXiv preprint arXiv:2005.09165},
year = {2020}
}