论文:ENERGY-BASED GENERATIVE ADVERSARIAL NETWORKS
EBGAN的思想是,将D网络看做一个能量方程。当G网络生成的数据靠近真实的数据流形区域时能量就比较低,相反的能量就高。EBGAN能生成更好的图片以及更高分辨率(256*256)
EBGAN的损失函数不再是传统GAN使用交叉熵损失函数。而是:
其中D(x) = ||Dec(Enc(x))-x||,也就是D网络是一个自编码网络,D(x)是重构误差。 [⋅<
论文:ENERGY-BASED GENERATIVE ADVERSARIAL NETWORKS
EBGAN的思想是,将D网络看做一个能量方程。当G网络生成的数据靠近真实的数据流形区域时能量就比较低,相反的能量就高。EBGAN能生成更好的图片以及更高分辨率(256*256)
EBGAN的损失函数不再是传统GAN使用交叉熵损失函数。而是:
其中D(x) = ||Dec(Enc(x))-x||,也就是D网络是一个自编码网络,D(x)是重构误差。 [⋅<