Spider GAN：利用友好邻域加速GAN训练

稳定地训练生成对抗网络（GAN）是一项具有挑战性的任务。GAN中的生成器将通常为高斯分布的噪声向量转换为图像等真实数据。本文提出一种以图像为输入训练GAN的新方法，但不施加任何成对约束。其直觉在于图像比噪声更具结构性，生成器可利用这一点学习更鲁棒的转换。通过识别密切相关的数据集或目标分布的“友好邻域”，该过程可变得高效，由此得名Spider GAN。为定义利用数据集间邻近性的友好邻域，我们受多调和核启发提出一种称为有符号初始距离（SID）的新度量。我们表明Spider GAN公式可实现更快收敛，因为生成器甚至能在看似无关的数据集间发现对应关系，例如Tiny-ImageNet与CelebA人脸之间。此外，我们展示了级联Spider GAN，其中预训练GAN生成器的输出分布用作后续网络的输入。有效地以级联方式将一个分布传输至另一个分布直至学习目标——一种新形式的迁移学习。我们在DCGAN、conditional GAN、PGGAN、StyleGAN2与StyleGAN3上证明了Spider方法的有效性。所提方法在MetFaces、Ukiyo-E Faces与AFHQ-Cats等高分辨率小数据集上，以基线对应方法五分之一的训练迭代次数达到了最先进的Frechet初始距离（FID）值。