CLR-GAN训练自己的数据集
基本信息
论文题目：CLR-GAN: Improving GANs Stability and Quality via Consistent Latent Representation and Reconstruction（通过一致的潜在表征和重建提高gan的稳定性和质量）
会议：ECCV2024
摘要：摘要。生成对抗网络(GANs)因其出色的图像生成能力而受到广泛关注。然而，训练GAN是困难的，因为生成器(G)和鉴别器(D)之间的博弈是不公平的。为了使竞争更加公平，我们提出了一种新的训练gan的视角，称为一致潜在表示和重建(CLR-GAN)。在此范例中，我们将G和D视为一个逆过程，鉴别器有一个额外的任务来恢复预定义的潜在代码，而生成器也需要重建真实输入，从而获得G的潜在空间与D的out-features之间的关系。我们可以用一个新的标准在训练中把D和G放在一个相等的位置。在各种数据集和架构上的实验结果证明，我们的范式可以使gan更稳定，生成更好的图像质量(CIFAR10上的FID增益31.22%，AFHQ-Cat上的FID增益39.5%)。我们希望提出的观点可以激励研究人员探索观察gan训练的不同方式，而不是局限于双人游戏。
源码链接：https://github.com/Petecheco/CLR-GAN
