论文：https://arxiv.org/pdf/1712.04086.pdf
代码：GitHub – fjxmlzn/PacGAN: [NeurIPS 2018] [JSAIT] PacGAN: The power of two samples in generative adversarial networks
发表：2016
一、摘要
1：GAN最重大的缺陷是：mode collapse。即无论是否基于多样性数据进行训练，GAN总倾向于产生相似的样本。
2：文中提出一种 packing 的方法来处理 mode collapse问题。具体做法：修改调整判别器，使其决策是基于同类的多个样本（不用管样本是真实样本还是生成样本）。通俗一点就是：将判别器的输入改成多个样本，这样判别器可以同时基于看到的多个样本进行决策，可以从一定程度上缓解 mode collapse。
常规GAN的做法：使用单一判别器，将单一样本映射为单一的soft标签。
本文GAN的做法：使用增广判别器，将多个样本映射为单一的soft标签。
把相同label的样本拼接就是文中的 packing 技术，接收拼接 packing 样本的判别器就叫 packed 判别器。ImprovedGAN 中也提出了mini–batch的技巧，来处理 mode collapse 问题。
保持判别器中 hidden layers 不变，只增加 input layer 中 nodes 的数目。可以参考一下下图中的Fig 1。左侧是默认的判别器，右侧是 packed 2 个样本的判别器，输入节点翻倍。
minist 手写数据是 28x28x1, PacDCGAN5就是把 label 相同的5张图（可以是real也可以是fake）拼接成 28x28x5的数据，送入判别器。
保持和正常 GANs 同样的训练过程。区别就是有 packed sample。直觉上来说：packing 有助于判别器缓解 mode collapse 问题，因为packing 样本的丰富性远高于single 样本。
取决与使用的GANs架构。毕竟input layer 的node 节点增多了嘛。不过也是可控的：作者的建议是packing 2个或者3 个样本就可以取得不错的效果。
左侧是real样本，中间是DCGAN生成样本，右侧是PacGAN2生成样本，确实生成质量改善了。
原文地址:https://blog.csdn.net/lilai619/article/details/134682212
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_32320.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
