|
GAN 鉴别器将真实图像与生成的图像区分开来。 在实践中，鉴别器通常表现得相当好。 但作为生成器的评判者，它有多大帮助？ 作为 GAN 系列的一部分，我们研究了 LSGAN（最小二乘 GAN），以了解成本函数如何改进 GAN 训练。 当判别器最优时，生成器的目标函数变为（证明）：
下面，我们绘制了具有不同高斯分布 q 的 p（均值 = 0 的高斯分布）的 JS 散度，均值范围为 0 到 30。
当 pr 和 pg（真实图像和生成图像的数据分布）相距很远时，它们的 JS-divergence 的梯度消失，梯度下降将无效。
简而言之，鉴别器表现良好，但它对生成器来说是一个糟糕的评判者。 最小二乘 GAN (LSGAN) 旨在更好地帮助生成器。 在数学上，让我们定义新的目标函数为
其中 a 和 b 是生成图像和真实图像的目标鉴别器标签，c 是生成图像的目标生成器标签。 现在，问题是 a、b 和 c 的值是多少，所以 pg 在训练期间会收敛到 pr。 我们在生成器方程中添加了一个额外的项。 由于 D(x)-c 与 G 无关，因此方程的最佳点保持不变。
具有固定 G 的最佳鉴别器将是：
如果没有证明，我们可以将生成器的成本函数转换为：
这是一个 Pearson χ2 散度。 重要的是我们可以在任何地方获得更平滑的渐变。 当 pg 和 pd 不同时，梯度不会消失，当 pg 接近 pd 时解会收敛。 通过选择 a = -1、b = 1 和 c = 0，我们得到
LSGAN 提出了另一个使用 c=b=1 和 a=0 的建议。 直观地说，LSGAN 希望真实图像的目标鉴别器标签为 1，生成图像为 0。对于生成器，它希望生成图像的目标标签为 1。
这是原始 GAN 的
LSGAN 论文中的实验证明了这两个方程的相似性能。 对于本文中的实验，使用了第二组方程。 网络设计 以下是生成器和判别器的网络设计。
对于带有标签的数据集，我们可以使用 CGAN 来生成图像。 特别是，如果有许多对象类，质量会提高。 这是一起使用 CGAN 和 LSGAN的网络架构。
结果
|
