深度生成模型之GAN优化目标设计与改进 -＞（个人学习记录笔记）

2026/9/26 11:48:04 拓冰建站浏览量

深度生成模型之GAN优化目标设计与改进 -＞（个人学习记录笔记）

文章目录

深度生成模型之GAN优化目标设计与改进
- 原始GAN优化目标的问题
- - 1. JS散度度量问题
  - 2. 梯度问题
- 优化目标的设计与改进
- - 1. 最小二乘损失GAN
  - 2. Energy-based GAN(EBGAN)
  - 3. Wasserstein GAN
  - 4. WGAN-GP
  - 5. Boundary Equilibrium GAN(BEGAN)
  - 6. Loss Sensitive GAN
  - 7. Relativeistic GAN

深度生成模型之GAN优化目标设计与改进

原始GAN优化目标的问题

1. JS散度度量问题

不合适的度量准则

在这里插入图片描述

在这里插入图片描述

2. 梯度问题

梯度消失与不稳定

在这里插入图片描述

优化目标的设计与改进

1. 最小二乘损失GAN

Least Squares GAN，惩罚生成器生成的远离决策面的样本，即可将样本拉近决策面，从而可避免梯度消失问题

在这里插入图片描述

2. Energy-based GAN(EBGAN)

使用自编码器学习样本重建，生成器作为自编码器的正则项，更自由的目标函数，更稳定的训练

在这里插入图片描述

3. Wasserstein GAN

使用Earth-Mover距离(EM距离，推土机距离)作为优化目标，为在最优路径规划下的最小消耗

在这里插入图片描述

Wasserstein距离等价形式

在这里插入图片描述

Wasserstein梯度与优化目标

在这里插入图片描述

4. WGAN-GP

对Wasserstein GAN添加梯度惩罚

在这里插入图片描述

5. Boundary Equilibrium GAN(BEGAN)

对判别器和生成器的能力进行均衡

在这里插入图片描述

在这里插入图片描述

6. Loss Sensitive GAN

判别器被称为损失函数L_θ(x),他对来自训练数据集中的样本x应该有较小的损失数值，对来自生成器G的样本G_Φ(z)应该有比较大的损失数值

在这里插入图片描述

当生成样本与真实样本距离不够远，产生有效损失；超过一定距离，损失为常数。

在这里插入图片描述

7. Relativeistic GAN

Relativistic判别器， “给定的真实数据”比“随机抽样的假数据”更高的概率

在这里插入图片描述