GAN系列：论文阅读——MSGAN(Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis)

burning_planet

于 2019-05-01 19:31:00 发布

阅读量6.1k

点赞数 3

分类专栏： Machine Learning Deep Learning

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/lynlindasy/article/details/89738674

版权

本文探讨了2019年CVPR会议上提出的MSGAN（Mode Seeking Generative Adversarial Networks），旨在解决条件GAN中的模式坍缩问题，提高图像生成的多样性。通过引入Distance Ratio作为衡量模式坍缩的指标，并修改损失函数以最大化Distance Ratio，MSGAN能够在图像合成、风格迁移等任务中实现更好的性能和泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这篇论文来自2019CVPR，用以解决conditional GAN中的mode collapse问题，改善图像生成的多样性。

mode collapse是指生成的图像多样性较差，非常接近数据集中的某一种，以试图蒙骗判别器。产生原因是：数据集中的图像可分为多个mode(其实就是几大类)，有的mode中的图像比较多，称为large mode，有的称为small mode。对应到分布中，就是large mode是比较高的峰值，而small mode对应较低的峰值，采样可能性更小。因此如果生成large mode的图像，会产生更大的梯度，便于优化目标函数，同时也可以骗过判别器，因此生成器就会越来越趋向于生成large mode中的图像。可以结合下图理解：

上图中的 $M$ 就表示mode，其中的 $M_1,M_3,M_5$ 就是small mode， $M_2,M_4$ 可以看作large mode。

目前mode collapse的解决方法主要是针对GAN的，有两大类：

最低0.47元/天解锁文章

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。