摘要
在标准生成对抗网络（SGAN）中，判别器估计输入数据为真实数据的概率。生成器则被训练以提高假数据被视为真实数据的概率。我们认为，生成器还应该同时降低真实数据被视为真实数据的概率，原因如下：1) 这将考虑到先验知识，即小批量数据中有一半是假的；2) 这将在最小化散度时被观察到；3) 在最优设置下，SGAN将等同于积分概率度量（IPM）GANs。我们证明了这一特性可以通过使用相对论判别器来实现，该判别器估计给定的真实数据比随机采样的假数据更真实的概率。我们还介绍了一种变体，其中判别器估计给定的真实数据平均而言比假数据更真实的概率。我们将这两种方法推广到非标准的GAN损失函数，并分别称它们为相对论生成对抗网络（RGANs）和相对论平均生成对抗网络（RaGANs）。我们展示了基于IPM的GANs是使用恒等函数的一类RGANs的子集。实验结果表明：1) 相对论生成对抗网络（RGANs）和相对论平均生成对抗网络（RaGANs）显著比其非相对论版本更加稳定，并能生成更高质量的数据样本；2) 标准的带有梯度惩罚的RaGAN在仅需每次更新生成器时更新一次判别器的情况下，生成的数据质量优于WGAN-GP（这使得达到最先进水平所需的时间减少了400%）；3) RaGAN能够在非常小的样本量（N=2011）下生成逼真的高分辨率图像（256x256），而传统的GAN和LSGAN无法做到这一点；这些图像的质量显著优于由WGAN-GP和带有谱归一化的SGAN生成的图像。