代 磊，王 颖，李华伟*，李晓维

1.中国科学院计算技术研究所，北京 100190

2.中国科学院大学，北京 100049

0 引 言

火星行星探测中探测器自主实现避障、路径规划和环境检测等关键功能越来越多利用深度学习作为可能的技术路径[1-2].深度学习模型的效果极大程度取决于训练数据，而训练出优秀的模型更需要大量的数据.然而，探测地外环境的难度导致难以获得足够数量的样本用于各类模型的训练和测试.为满足各种模型的训练需求，需要探索依靠增强少量样本来生成更多的样本用于其它模型的训练.通过对抗生成网络GAN[3](generative adversarial network)来获得更多样本是解决训练样本不足的问题的一个非常有效的技术路线，将一定数量的地外行星样本输入GAN训练得到专用生成器，该生成器即可生成更多的样本用于其他网络的训练.

GAN通过生成网络和判别网络的相互对抗训练最终达到均衡状态，得到一个能够生成样本的生成器和能判别样本真伪的判别器.对抗生成网络在样本生成领域潜力巨大[4-8]，但是它仍然存在难以训练、模式坍塌和梯度消失等问题.近年来，有相当多的GAN网络研究工作在改善生成效果方面取得进展.最小平方差GAN首先改进交叉熵损失函数为最小平方差函数，一定程度缓解梯度消失问题[9]；WGAN从JS散度和KL散度的角度指出原始目标函数的优化目标存在自我矛盾，因而提出了基于Wasserstein距离的目标函数[10]；WGAN-GP则进一步引入梯度惩罚等策略替代WGAN中的梯度裁断进一步提升了训练效果[11]；……