基于样本特征解码约束的GANs
生成式对抗网络(Generative adversarial networks,GANs)是一种有效模拟训练数据分布的生成方法,其训练的常见问题之一是优化Jensen-Shannon(JS)散度时可能产生梯度消失问题.针对该问题,提出了一种解码约束条件下的GANs,以尽量避免JS散度近似为常数而引发梯度消失现象,从而提高生成图像的质量.首先利用U-Net结构的自动编码机(Auto-encoder,AE)学习出与用于激发生成器的随机噪声同维度的训练样本网络中间层特征.然后在每次对抗训练前使用设计的解码约束条件训练解码器.其中,解码器与生成器结构相同,权重共享.为证明模型的可行性,推导给出了引入解码约束条件有利于JS散度不为常数的结论以及解码损失函数的类型选择依据.为验证模型的性能,利用Celeba和Ci-far10数据集,对比分析了其他6种模型的生成效果.通过实验对比Inception score(IS)、弗雷歇距离和清晰度等指标发现,基于样本特征解码约束的GANs能有效提高图像生成质量,综合性能接近自注意力生成式对抗网络.
生成式对抗网络、梯度消失、特征学习、自动编码机、深度学习
48
TP391.1;TP183;TN912.34
国家自然科学基金;国家自然科学基金;四川省科技厅科技创新人才计划
2022-10-09(万方平台首次上网日期,不代表论文的发表时间)
共13页
2288-2300