GAN相关论文《Spectral Regularization for Combating Mode Collapse in GANs》

ICCV 2019的一篇论文，作者在出名的SN-GAN上进行改进。
SN-GAN介绍应该还是挺多的，随便找一篇https://zhuanlan.zhihu.com/p/65549312
谱归一化约束，通过约束 GAN 的 Discriminator 的每一层网络的权重矩阵(weight matrix)的谱范数来约束 Discriminator 的 Lipschitz 常数， 从而增强 GAN 在训练过程中的稳定性。
这篇文章呢，作者自称叫做SR-GAN，Spectrual Regularization 谱正则化。
作者发现一个现象，就是如果没有mode collapse的时候，${\overline{W}}_{SN}(W)$的大量的奇异值都接近于1，其中${\overline{W}}_{SN}(W)$是谱归一化的权重矩阵;
在出现mode collapse的时候，权重矩阵的奇异值drop的很快，作者称这种现象为spectrual collapse(谱崩溃)。作者认为，只要spectrual collapse解决了，mode collapse就会一定程度的解决。

SN-GAN的谱归一化:${\overline{W}}_{SN}(W):=W/\sigma (W)$,
$\sigma (W)$是权重W的奇异值的最大值。
SN-GAN通过这种方式来约束Lipschitz常数。原文中也证明了优于其他的normalization或者regularization的方法，比如gradient penalty、weight normalization和正交正则化等等。
注意：本论文关于spectrual collapse是作者在实验中观察得到的现象！
正如SN-GAN和BigGAN等类似的论文发现的，batch大小增加或者D网络的channel减小，都会导致mode collapse。因此本文中设置了若干种对照组，分别有不同的batch和channel。

如图所示，spectrual collapse的时候，奇异值会drop的很严重。

Spectrual Regularization

首先进行奇异值分解，权重矩阵W可以分解为$$W=U\cdot \Sigma \cdot V^T$$
其中的$U$和$V$都是正交矩阵，$U$, [ u 1 ,