حول مُعَدِّلات التدرج لـ MMD GANs

نقترح طريقة مبدئية لتنظيم الناقد في نماذج مشابهة لـ GAN التي يتم تدريبها من خلال التحسين المعادي للنواة في اختلاف الوسط الأقصى (Maximum Mean Discrepancy - MMD) باستخدام أساس التدرج. نظهر أن السيطرة على تدرج الناقد أمر حاسم لتحقيق دالة خسارة معقولة، ونطور طريقة لفرض قيود تدرج دقيقة وتحليلية دون أي زيادة في التكلفة مقارنة بالتقنيات التقريبية الحالية المستندة إلى المنظمات الإضافية. يثبت أن الدالة الجديدة للخسارة مستمرة، وأظهرت التجارب أنها تستقر وتسرع عملية التدريب، مما يؤدي إلى نماذج إنشاء الصور التي تتفوق على أفضل الطرق الحالية في CelebA بحجم $160 \times 160$ وفي ImageNet غير المشروطة بحجم $64 \times 64$.