VEEGAN：利用隐式变分学习减少 GAN 中的模式坍塌
机器学习
2017-11-08 v3
摘要
深度生成模型为复杂流形（例如自然图像流形）上的分布提供了强大工具。但其中许多方法，包括生成对抗网络 (GAN)，可能难以训练，部分原因是它们容易出现模式坍塌，即仅刻画真实分布的少数模式。为解决此问题，我们引入 VEEGAN，其特点是包含一个重构器网络，通过从数据映射到噪声来逆转生成器的作用。我们的训练目标保留了 GAN 原有的渐近一致性保证，并可解释为一种新颖的噪声自编码器损失。与传统的基于数据点的自编码器截然不同，VEEGAN 不需要指定数据上的损失函数，而只需指定表示上的损失函数，且假设表示服从标准正态分布。在大量合成和真实世界图像数据集上，VEEGAN 确实比其他近期 GAN 变体在更大程度上抵抗模式坍塌，并生成更逼真的样本。
引用
@article{arxiv.1705.07761,
title = {VEEGAN: Reducing Mode Collapse in GANs using Implicit Variational Learning},
author = {Akash Srivastava and Lazar Valkov and Chris Russell and Michael U. Gutmann and Charles Sutton},
journal= {arXiv preprint arXiv:1705.07761},
year = {2017}
}
备注
Published as a conference paper at NIPS, 2017