Entkommen aus kollabierenden Moden in einem eingeschränkten Raum

Generative Adversarial Networks (GANs) leiden oft an unvorhersehbarem Modus-Kollaps während des Trainings. In dieser Studie untersuchen wir das Problem des Modus-Kollaps von Boundary Equilibrium Generative Adversarial Networks (BEGAN), einem der fortschrittlichsten Generativen Modelle. Trotz seines Potenzials zur Erzeugung hochwertiger Bilder stellen wir fest, dass BEGAN nach einer gewissen Trainingsdauer an bestimmten Modi kollabieren kann. Wir schlagen ein neues Modell vor, das als \emph{BEGAN mit eingeschränktem Raum} (BEGAN-CS) bezeichnet wird und eine Latente-Raum-Beschränkung in die Verlustfunktion integriert. Wir zeigen, dass BEGAN-CS die Trainingsstabilität erheblich verbessern und den Modus-Kollaps unterdrücken kann, ohne die Modellkomplexität zu erhöhen oder die Bildqualität zu verschlechtern. Darüber hinainaus visualisieren wir die Verteilung der latenten Vektoren, um den Effekt der Latente-Raum-Beschränkung zu verdeutlichen. Die experimentellen Ergebnisse belegen, dass unsere Methode zusätzliche Vorteile bietet: Sie ermöglicht das Training auf kleinen Datensätzen und die spontane Erzeugung von Bildern, die dem gegebenen Realbild ähnlich sind, aber Variationen in spezifizierten Attributen aufweisen.