摘要
我们介绍了一种有效的生成对抗网络（Generative Adversarial Networks, GAN）训练算法，以缓解模式崩溃和梯度消失问题。在我们的系统中，通过自动编码器（Autoencoder, AE）对生成器进行约束。我们提出了一种方法，将AE重建的样本视为判别器的“真实”样本。这使得AE的收敛与判别器的收敛相耦合，有效地减缓了判别器的收敛速度并减少了梯度消失现象。重要的是，我们提出了两种新颖的距离约束来改进生成器。首先，我们提出了一种潜在数据距离约束（latent-data distance constraint），以强制潜在样本距离与相应数据样本距离之间的兼容性。我们利用这一约束显式地防止生成器出现模式崩溃。其次，我们提出了一种判别器分数距离约束（discriminator-score distance constraint），通过判别器分数使生成样本的分布与真实样本的分布对齐。我们利用这一约束指导生成器合成更接近真实样本的数据。我们提出的使用这些距离约束的GAN模型，即Dist-GAN，在多个基准数据集上取得了优于现有最先进方法的结果：包括合成数据集、MNIST、MNIST-1K、CelebA、CIFAR-10和STL-10数据集。我们的代码已发布在以下链接（https://github.com/tntrung/gan）供研究使用。