MMD GANs의 그래디언트 정규화에 관한 연구

우리는 최대 평균 분산 (Maximum Mean Discrepancy, MMD)의 커널을 적대적으로 최적화하여 GAN 유사 모델의 판별자를 그래디언트 기반으로 정규화하는 원칙적인 방법을 제안합니다. 우리는 판별자의 그래디언트를 제어하는 것이 합리적인 손실 함수를 갖는 데 필수적임을 보여주고, 기존의 덧셈 정규화기 기반 근사 기술과 비교해 추가 비용 없이 정확하고 해석적인 그래디언트 제약 조건을 강제하는 방법을 개발하였습니다. 새로운 손실 함수는 증명적으로 연속적이며, 실험 결과 이 방법이 훈련을 안정화하고 가속화하며, $160 \times 160$ CelebA와 $64 \times 64$ 무조건적 ImageNet에서 최신 방법론보다 우수한 이미지 생성 모델을 제공함을 확인할 수 있었습니다.