SAN：以判别性归一化线性层诱导 GAN 的可度量性
机器学习
2024-04-11 v4
摘要
生成对抗网络（GANs）通过以极小极大目标优化生成器与判别器来学习目标概率分布。本文探讨这样一个问题：这种优化是否真正为生成器提供了使其分布接近目标分布的梯度。我们推导了可度量条件，即通过将 GAN 表述与切片最优传输概念相联系，使判别器能够作为分布间距离的充分条件。此外，利用这些理论结果，我们提出了一种称为切片对抗网络（SAN）的新型 GAN 训练方案。仅需简单修改，一大类现有 GAN 便可转换为 SAN。在合成与图像数据集上的实验支持了我们的理论结果以及 SAN 相较于通常 GAN 的有效性。此外，我们还将 SAN 应用于 StyleGAN-XL，在 ImageNet 256256 的类条件生成中取得了 GAN 领域内最先进的 FID 分数。我们的实现可在 https://ytakida.github.io/san 获取。
引用
@article{arxiv.2301.12811,
title = {SAN: Inducing Metrizability of GAN with Discriminative Normalized Linear Layer},
author = {Yuhta Takida and Masaaki Imaizumi and Takashi Shibuya and Chieh-Hsin Lai and Toshimitsu Uesaka and Naoki Murata and Yuki Mitsufuji},
journal= {arXiv preprint arXiv:2301.12811},
year = {2024}
}
备注
34 pages with 17 figures, accepted for publication in ICLR 2024