La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Improving Noised Gradient Penalty with Synchronized Activation Function for Generative Adversarial Networks Amélioration de la pénalité de gradient bruité avec une fonction d'activation synchronisée pour les réseaux adverses génératifs

Rui YANG, Raphael SHU, Hideki NAKAYAMA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Les réseaux contradictoires génératifs (GAN) sont l'un des principes d'apprentissage les plus efficaces des modèles génératifs et ont été largement appliqués à de nombreuses tâches de génération. Au début, la pénalité de gradient (GP) a été appliquée pour appliquer le discriminateur dans les GAN afin de satisfaire la continuité Lipschitzienne dans le GAN de Wasserstein. Bien que la version standard de la pénalité de gradient ait été encore modifiée à des fins différentes, la recherche d’un meilleur équilibre et d’une qualité de génération supérieure dans l’apprentissage contradictoire reste un défi. Récemment, DRAGAN a été proposé pour atteindre la linéarité locale dans une variété de données environnante en appliquant la pénalité de gradient bruité pour promouvoir la convexité locale dans l'optimisation du modèle. Cependant, nous montrons que leur approche imposera un fardeau pour satisfaire la continuité lipschitzienne pour le discriminateur. Un tel conflit entre la continuité lipschitzienne et la linéarité locale dans DRAGAN entraînera un mauvais équilibre et la qualité de la génération est donc loin d'être idéale. À cette fin, nous proposons une nouvelle approche qui profite à la fois à la linéarité locale et à la continuité lipschitzienne pour atteindre un meilleur équilibre sans conflit. En détail, nous appliquons notre fonction d'activation synchronisée dans le discriminateur pour recevoir une forme particulière de pénalité de gradient bruité afin d'atteindre la linéarité locale sans perdre la propriété de continuité Lipschitzienne dans le discriminateur. Les résultats expérimentaux montrent que notre méthode peut atteindre la qualité supérieure des images et surpasse WGAN-GP, DiracGAN et DRAGAN en termes de score de début et de distance de début de Fréchet sur des ensembles de données du monde réel.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.9 pp.1537-1545
Date de publication
2022/09/01
Publicisé
2022/05/27
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2022EDP7019
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Rui YANG
  University of Tokyo
Raphael SHU
  Amazon AI
Hideki NAKAYAMA
  University of Tokyo

Mots-clés

Table des matières