摘要: 生成对抗网络(generative adversarial networks, GANs)作为一类基于深度学习的无监督生成模型,无需对数据分布进行建模便可以生成真实且质量较高的图像。标准的GANs往往训练困难,常出现梯度消失、梯度爆炸或者模式崩溃等问题,限制模型的性能。为解决模式崩溃问题,本文提出一种双判别器结构来提高模型生成图像的多样性。另外,本文改进了生成器模型和判别器模型,提出一种基于残差网络和多尺度特征融合的生成器和基于多尺度特征融合的判别器,在提高生成图像质量的前提下解决深层网络出现的梯度消失、梯度爆炸的问题。将其应用于MNIST、LSUN、CelebA数据集上,训练结果稳定且生成图像质量较高,取得了令人满意的FID和IS值。
- 关键词:
- 生成对抗网络 /
- 深度学习 /
- 无监督模型 /
- 模式崩溃 /
- 梯度爆炸 /
- 梯度消失 /
- 多尺度特征融合 /
- 训练稳定性
传统的近似法[1-2]、马尔可夫链法[3-4]等生成模型学习到的数据具有人类可以理解的分布规律,但是这种分布规律不能被计算机很好地理解。此外,由于数据分布的复杂性,在对其进行数据建模时往往存在一定的困难,导致生成图像质量不高。