T-GANs：基于“图灵测试”的生成对抗模型

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 114 篇文章

作者丨武广

学校丨合肥工业大学硕士生

研究方向丨图像生成

本期推荐的论文笔记来自 PaperWeekly 社区用户 @TwistedW。本文将“图灵思想”用在 GAN 的框架下，这个思想在 RSGAN 中最先提出——将以往判别器逐个判断数据真假换为将真假样本混合后再做判断，同时在生成器下引入真实样本做参考，增加了生成器的生成能力。本文对该思想做了更一般化的推证和应用，可以说”图灵思想“适用于任何一种 GAN 模型。

引言

利用 GAN 做实验的学者一定为其训练不稳定感到痛苦，如何去控制超参数，如何去平衡判别器和生成器间的迭代都是操碎了心。尽管 WGAN [1]、LSGAN [2] 对于 GAN 的梯度消失做了解释和改进，但是在实际的训练中模型的不稳定一直存在。SNGAN [3] 可以有效地约束判别器的能力，但是随着生成精度的增加，仍然不可避免训练的不稳定。

T-GANs 是苏剑林的一篇在 RSGAN 的基础上对相对判别器做一般化改进的文章，论文现已挂在 arXiv，代码已开源。文章中出现了较多的数学公式，笔者尽量用简洁的话语阐述清楚文章观点。

源码链接：

https://github.com/bojone/T-GANs

论文引入

由于 GAN 的文章更新太多，现将原始 GAN 称为 Standard GAN，简称 SGAN，文章后续的 SGAN 就是大家最熟悉的由 Goodfellow 创作的最原始的 GAN [4]。

GAN 在训练和分析过程中都会发现判别器 D 的能力是远超生成器 G 的，这个理论推导在 SNGAN 中有所提及。为了较好地平衡 D 和