摘要
生成对抗网络（Generative Adversarial Networks, GANs）因其能够从指定数据分布中生成高质量、逼真图像的能力而受到广泛关注。本研究在GANs领域提出多项创新改进，包括设计一种新型激活函数、提出一种新颖的训练策略，以及引入一种自适应秩分解方法以实现网络压缩。所提出的激活函数名为参数化Mish（Parametric Mish, PMish），可通过可训练参数自动调节激活函数的平滑度与形状，从而提升模型表达能力。本方法结合神经架构搜索（Neural Architecture Search, NAS）技术，自动发现适用于图像生成任务的最优网络结构，并采用最大均值差异（Maximum Mean Discrepancy, MMD）排斥损失函数进行对抗训练。所提出的新型训练策略通过逐步提升有界MMD-GAN排斥损失的上界，有效增强模型训练稳定性与生成性能。此外，所提出的自适应秩分解（Adaptive Rank Decomposition, ARD）方法在显著降低网络复杂度的同时，对生成性能的影响极小，从而实现了在资源受限平台上的高效部署。上述各项改进在CIFAR-10、CIFAR-100、STL-10和CelebA等标准基准数据集上进行了严格验证，实验结果表明，所提方法在生成质量与训练效率方面均显著优于现有技术。相关实现代码已公开，可访问：https://github.com/PrasannaPulakurthi/MMD-PMish-NAS