陈泓佑 和红杰 陈帆 朱翌明

生成式对抗网络(Generative adversarial networks,GANs)[1]是2014年Goodfellow等依据零和博弈思想和纳什均衡原理提出的一种数据生成模型,该模型[1−4]由生成器网络(Generative net)和判别器网络(Discriminative net)组成.生成器G网络通过输入随机向量z使得输出值G(z)尽可能符合训练图像分布,判别器D网络对输入的测试样本尽可能判别出测试样本的来源(即训练图像样本集或生成图像样本集).GANs的最终目的是通过充分训练,使得G网络和D网络达到纳什均衡状态,从而使得D网络难以判别出输入的采样样本的来源,G网络生成的样本分布逼近或相同于训练样本集分布.

GANs是一种经典有效的新型数据生成模型,但为使得生成样本集分布与训练样本集分布相近或相同,在模型的优化与训练上依然比较困难[1].主要原因在于G、D网络通常使用深度神经网络,因此会体现出深度神经网络训练中的问题,如难以训练、学习时间长、收敛较慢、训练最终效果难以控制等;在优化器优化损失函数的时候可能出现梯度消失的问题[1−2],从而导致G和D网络未达到训练要求前过早进入平稳状态,使得训练失效;GANs在优化器优化损失函数时只会找低损失点,不会找真正意义上的纳什均衡点[5],可能导致对抗学习偏离纳什均衡点,增大生成图像分布与训练图像分布的差距.

为使得GANs图像生成效果更好,学者做出了一些改进工作,通常改进的是网络结构、目标优化函数或网络的训练方式.Mirza 等[6]提出一种CGANs模型,它的损失函数带……