DuelGAN：两个判别器之间的对抗稳定了GAN的训练

本文提出DuelGAN，一种用于提升生成样本稳定性并缓解模式崩溃（mode collapse）问题的生成对抗网络（GAN）架构。在经典Vanilla GAN的生成器 $G$ 与判别器 $D_1$ 之间的两玩家极小极大博弈基础上，我们引入了第二个判别器 $D_2$，构建了一个包含生成器 $G$、判别器 $D_1$ 与 $D_2$ 的三元极小极大博弈框架。与先前采用双判别器结构的工作类似，$D_1$ 与 $D_2$ 的首要任务均为区分真实样本与生成样本，而生成器 $G$ 则致力于生成能够欺骗两个判别器的高质量样本。然而，与现有方法不同的是，我们进一步引入了 $D_1$ 与 $D_2$ 之间的对抗博弈机制，旨在抑制二者判断结果的一致性，从而有效提升生成样本的多样性。该设计通过延缓 $D_1$ 与 $D_2$ 的过早收敛，显著缓解了早期模式崩溃问题。本文对 $G$、$D_1$、$D_2$ 构成的极小极大博弈的均衡点进行了理论分析，并进一步探讨了DuelGAN的收敛行为及其极小极大博弈的稳定性。值得注意的是，DuelGAN在无监督设置下运行，且 $D_1$ 与 $D_2$ 之间的对抗过程无需任何标签监督。在合成数据集以及多个真实世界图像数据集（包括MNIST、Fashion MNIST、CIFAR-10、STL-10、CelebA、VGG和FFHQ）上的实验结果表明，DuelGAN在生成多样且高质量样本方面显著优于现有主流基线方法，同时仅引入可忽略的额外计算开销。