无条件判别器促进 GAN 中的纳什均衡
计算机视觉与模式识别
2025-10-02 v1
摘要
对抗训练在单步生成中起关键作用，尤其是生成对抗网络（GAN）和扩散模型蒸馏。然而，GAN 训练很少收敛且易陷入模式崩溃。本文定量分析 GAN 训练中纳什均衡的程度，得出结论：通过输入条件到判别器 D 中引入的冗余捷径会阻碍有意义的知识提取。我们因此提出采用无条件判别器（UCD），强制 D 在不注入条件的情况下提取更全面稳健的特征。如此，D 能利用更好的知识来监督 G，从而促进 GAN 文献中的纳什均衡。vanilla GAN 理论的兼容性理论保证表明 UCD 可以即插即用的方式实现。大量实验确认在高效能下的显著性能提升。例如，我们在 ImageNet-64 数据集上实现了 \textbf{1.47 FID}，超越了 StyleGAN-XL 和多个最先进的单步扩散模型。代码将公开发布。
引用
@article{arxiv.2510.00624,
title = {UCD: Unconditional Discriminator Promotes Nash Equilibrium in GANs},
author = {Mengfei Xia and Nan Xue and Jiapeng Zhu and Yujun Shen},
journal= {arXiv preprint arXiv:2510.00624},
year = {2025}
}