相对判别器：标准 GAN 中缺失的关键要素

在标准生成对抗网络（SGAN）中，判别器估计输入数据为真实的概率。生成器被训练为提高假数据为真的概率。我们认为它也应当同时降低真实数据为真的概率，因为 1）这考虑了小批量中一半数据为假的先验知识，2）这将在散度最小化中观察到，以及 3）在最优设定下，SGAN 将等价于积分概率度量（IPM）GAN。我们表明，该性质可通过使用相对判别器来诱导，其估计给定真实数据比随机采样的假数据更真实的概率。我们还提出了一种变体，其中判别器估计给定真实数据平均而言比假数据更真实的概率。我们将两种方法推广到非标准 GAN 损失函数，并分别称其为相对 GAN（RGAN）和相对平均 GAN（RaGAN）。我们表明基于 IPM 的 GAN 是使用恒等函数的 RGAN 的子集。经验上，我们观察到 1）RGAN 和 RaGAN 比其非相对对应物显著更稳定且生成更高质量的数据样本，2）带梯度惩罚的标准 RaGAN 生成的数据质量优于 WGAN-GP，同时每次生成器更新仅需一次判别器更新（将达到最先进状态所需时间减少 400%），以及 3）RaGAN 能够从极小的样本（N=2011）生成合理的高分辨率图像（256x256），而 GAN 和 LSGAN 不能；这些图像的质量显著优于 WGAN-GP 和带谱归一化的 SGAN 生成的图像。