09.BEGAN（Boundary Equilibrium Generative Adversarial Networks）

BEGAN

摘要
1.introduction
2.method
- 损失函数pixel-wisw
- the losses
- boundary equilibrium GAN
- 网络结构
- 结果

摘要

我们提出了一种新的均衡执行方法，并结合从wasserstein距离得到的损失来训练基于自动编码器的生成对抗网络。

它提供了一种新的近似收敛测度;

我们还推导出了一种控制图像多样性和视觉质量之间的权衡的方法。

使用一个相对简单的模型架构和一个标准的培训程序。

1.introduction

point：去估计分布的分布误差之间的相似度而不是分布之间的相似度。如果分布的误差很接近，那么分布肯定相差不远

贡献：

具有简单而健壮架构的GAN，收敛的标准训练过程
一种平衡鉴别器与生成器的平衡概念
一种控制图像多样性与视觉质量之间权衡的新方法
收敛性的一种近似度量。

2.method

损失函数pixel-wisw

D：Auto-encoder 输入-image 输出-image

损失函数就是一个pixel-wise的损失，表示真实输入图像v和经过编码网络D输出的D(v)的相似程度，L越小，说明v, D(v)越相似。

去评估两个损失的相似度。——wasserstein距离

根据Jensen不等式，可以得到一个下界：

这个时候我们并不需要lipschize限制，我们需要

D不断最大化m2，最小化m1；
G不断最小化m2；

当m2接近m1的时候，可以认为是完成了训练。

重点：去估计误差的分布而不是直接估计分布去拟合GAN

the losses

网络结构图：

the losses：

我们知道当训练最好的时候就是m1 = m2，即：

但是如果m1 = m2的话，条件1不再是一个不可忽略项，反而趋近于无穷，所以引入一个参数:

有了这个限制，就不会出现m1=m2的情形了，这就相当于一个boundary 将均衡条件限制住了;

γ值较低会导致图像多样性降低，因为鉴别器更关注自动编码真实图像。

boundary equilibrium GAN

所以现在我们的损失函数变成了：

另外一个参数：（这个参数表示训练程度的多少，越小的话，训练程度越好，从公式中可见一斑。）

网络结构

结果