我们选择这样的设计,(
i
)
f
可以细化
h
,如果
识别
器损失发现真实/虚假输入认为它有用,(ii)
h
是首
选时, 过拟合检测 ,而
f
引入细 化模式,否 则,
(
iii
)
f
鼓励
从分段光滑h中学习(见§5)。
3.
相关作品
现代GAN。最近的GAN通过改进生成器或ADC建立在
GAN [13]或DC-GAN [43]上。残差模型[14]通过添加自
我注意块[63]进行了改进Progressive GAN [19]使用几
个 层 次 的 层 来 获 得 越 来 越 精 细 的 图 像 分 辨 率 。
StyleGAN [21]将输入映射到中间潜在空间,并通过自
适应实例规范化(所谓的AdaIN)控制生成器。MSG-
GAN将多尺度梯度从ADC传递到发生器[18]。
改进GAN。为了解决训练不稳定性,模式崩溃和过拟
合,研究人员研究了(i)损失和距离公式,(ii)正
则化机制和惩罚,以及(iii)架构修改。
Wasserstein GAN(Arjovskyet al.[2]享受美好
一阶和二阶统计量的真实数据分布最大平均离散GAN
[33]匹配再生核希尔伯特空间(RKHS)中的分布。
频谱归一化GAN [36]对权重进行归一化以稳定权
重。频谱 正则化GAN [35]执行所谓的频谱崩溃的检
测。不连通流形GAN [23]假设自然图像位于不相交流
形 的 并 集 上 。 特 征 量 化 GAN ( Feature Quantization
GAN)[67]将识别器的特征量化去噪特征匹配GAN [57]
鼓励生成器的输出与去噪自动编码器之间的接近
我们的工作不同于不连通流形GAN,它将整个图像
分布建模为非显式流形的联合GAN对图像的特征进行
量化,去噪特征匹配GAN在真实图像上学习去噪自动
编码器,以将其应用于生成的图像。
相比之下,我们对从多个块中提取的粗糙到精细的
特征进行建模,这些特征捕获了不同的语义抽象级别
我们鼓励这些特征位于显式局部约束的非线性流形上
(我们的每个块都有自己的学习器)。我们自适应地
控制混合水平的功能和他们的意见恢复流形,和光滑
的流形,以防止过度拟合。
限制过拟合。增强(旋转,裁剪)[17,52,64,66]
可以限制过拟合,但是,增强