摘要
生成对抗网络（Generative Adversarial Networks, GANs）尽管经过大量研究，仍以训练困难著称。已有多种正则化技术被提出以稳定训练过程，但这些方法往往引入显著的计算开销，并与现有技术（如谱归一化）存在不良交互。本文提出一种基于一致性正则化（consistency regularization）思想的简单而有效的训练稳定器——这一技术在半监督学习领域中已被广泛采用。具体而言，我们在输入GAN判别器的数据上施加数据增强，并对判别器对这些增强操作的敏感性进行惩罚。通过一系列实验，我们验证了该一致性正则化方法在谱归一化、多种GAN架构、损失函数及优化器设置下均能有效工作。在CIFAR-10和CelebA数据集上，与现有其他正则化方法相比，本方法在无条件图像生成任务中取得了最优的FID分数。此外，所提出的具有一致性正则化的GAN（CR-GAN）在条件生成任务上显著提升了当前最优性能：在CIFAR-10上，FID分数从14.73降低至11.48；在ImageNet-2012上，从8.73降至6.66。