生成竞争对抗网络

摘要

重新思考生成对抗网络(Genrative Adversarial Nets,GAN),在不改变对抗理论的情况下,提出了基于竞争对抗关系的具有多生成器的生成竞争对抗网络,减少原始生成对抗网络的难训练问题.生成竞争对抗网络利用多生成器来解构真实数据集的特征,有效地减少了低维流形引起的问题,使基于对抗关系的GAN的损失函数收敛.竞争对抗关系基于生成对抗网络的理论,改善了Wasserstein GAN(WGAN)指出的GAN的问题.另外,提出了一种缓解梯度问题的激活函数ReSigm,使训练变得稳定.最后,在数据集MNIST上进行实验,验证了生成竞争对抗网络具有足够的容量来生成稳定、多样的图像.