
摘要
生成对抗网络(GANs)已成为隐式学习高维概率分布的一种非常流行的工具。为了应对模式崩溃、收敛问题、纠缠以及图像视觉质量较差等缺陷,研究人员对原始的GAN框架进行了多项改进。尽管大量工作致力于提高GAN生成图像的视觉质量,但令人惊讶的是,客观图像质量评估指标既未被用作成本函数,也未被用作GAN目标函数中的正则化项。在本研究中,我们展示了如何将一种基于结构相似性(SSIM)指数的变体距离度量(SSIM是一种常用的全参考图像质量评估算法)和一种受自然图像质量评估器(NIQE,一种常用无参考图像质量评估算法)启发的新颖的质量感知判别器梯度惩罚函数分别作为GAN目标函数的优秀正则化项。具体而言,我们在CIFAR-10、STL10和CelebA数据集上使用Wasserstein GAN梯度惩罚(WGAN-GP)框架展示了最先进的性能。