Dist-GAN: Eine verbesserte GAN mit Abstandsrestriktionen

Wir stellen effektive Trainingsalgorithmen für Generative Adversarial Networks (GANs) vor, um das Modus-Kollaps-Phänomen und das Verschwinden von Gradienten zu mildern. In unserem System fügen wir dem Generator eine Einschränkung durch einen Autoencoder (AE) hinzu. Wir schlagen eine Formulierung vor, bei der die rekonstruierten Samples des AE als "echte" Samples für den Diskriminator betrachtet werden. Dies koppelt die Konvergenz des AE mit der des Diskriminators, was die Konvergenzgeschwindigkeit des Diskriminators effektiv verlangsamt und das Verschwinden von Gradienten reduziert. Von besonderer Bedeutung sind zwei neuartige Distanzbeschränkungen, die wir vorschlagen, um den Generator zu verbessern. Erstens schlagen wir eine latente-Daten-Distanzbeschränkung vor, um die Kompatibilität zwischen den Distanzen der latenten Samples und den entsprechenden Daten-Samples zu gewährleisten. Diese Beschränkung wird verwendet, um den Generator explizit davor zu bewahren, in ein Modus-Kollaps zu geraten. Zweitens schlagen wir eine Diskriminator-Wert-Distanzbeschränkung vor, um die Verteilung der generierten Samples durch den Diskriminatorwert mit der Verteilung der echten Samples auszurichten. Diese Beschränkung dient dazu, den Generator zu leiten, sodass er Samples erzeugt, die den echten ähneln. Unser vorgeschlagener GAN unter Verwendung dieser Distanzbeschränkungen, genannt Dist-GAN, kann bessere Ergebnisse als state-of-the-art-Methoden auf verschiedenen Benchmark-Datensätzen erzielen: synthetische Datensätze, MNIST, MNIST-1K, CelebA, CIFAR-10 und STL-10 Datensätze. Unser Code ist hier veröffentlicht (https://github.com/tntrung/gan) für Forschungszwecke.