用于生成对抗网络的 Bures 度量
机器学习
2021-04-28 v3 图像与视频处理
机器学习
摘要
生成对抗网络（GANs）是性能良好的生成方法，能产生高质量样本。然而，在某些情况下，GANs 的训练可能导致模式崩溃或模式丢弃，即生成模型无法从整个概率分布中采样。为解决此问题，我们使用判别器的最后一层作为特征映射来研究真实数据与伪造数据的分布。在训练期间，我们提出通过在特征空间中协方差矩阵之间的 Bures 距离来匹配真实批次多样性与伪造批次多样性。Bures 距离的计算可方便地分别在特征空间或核空间中依据协方差和核矩阵进行。我们观察到多样性匹配大幅减少了模式崩溃，并对样本质量有正向影响。在实践方面，提出了一种非常简单的训练过程，不需要额外的超参数调优，并在多个数据集上进行了评估。
引用
@article{arxiv.2006.09096,
title = {The Bures Metric for Generative Adversarial Networks},
author = {Hannes De Meulemeester and Joachim Schreurs and Michaël Fanuel and Bart De Moor and Johan A. K. Suykens},
journal= {arXiv preprint arXiv:2006.09096},
year = {2021}
}
备注
Additional empirical results