多尺度特征融合的双判别器残差生成对抗网络

罗伯特之技术屋

于 2024-04-05 15:22:13 发布

阅读量149

点赞数

分类专栏：数字化转型及信息化建设专栏文章标签：生成对抗网络人工智能神经网络

本文链接：https://blog.csdn.net/weixin_57147647/article/details/137401357

版权

数字化转型及信息化建设专栏专栏收录该内容

75 篇文章 0 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种基于残差网络和多尺度特征融合的双判别器残差生成对抗网络（DDRM-GAN），旨在解决生成对抗网络（GANs）的模式崩溃、梯度消失和梯度爆炸问题。DDRM-GAN在生成器中采用ResNet和多尺度特征融合，提高训练稳定性，同时使用两个判别器提高生成图像的多样性。实验结果显示，DDRM-GAN在MNIST、LSUN和CelebA数据集上生成的图像质量和多样性均优于其他模型，验证了其有效性。

摘要由CSDN通过智能技术生成

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。