GAN Loss 比较研究（5）：能量 Loss
发布时间
阅读量：
阅读量
前一篇文章介绍了《BEGAN: Boundary Equilibrium Generative Adversarial Networks》这一研究，该研究将能量函数与Wasserstein Distance相结合，并引入比例反馈控制机制，从而实现GAN模型的快速收敛，同时有效维持生成样本的多样性。具体实现方式如下：
- 采用Auto-Encoder结构作为Discriminator，通过计算原始图像与重建图像之间的逐点误差（pixel-wise error）来构建能量值。
- 将Discriminator输出的能量视为一种概率分布，并使用Wasserstein Distance作为衡量两种概率分布之间差异的指标，即真实图像对应的能量分布与生成图像对应的能量分布。
- 对Wasserstein Distance进行简化处理，实际衡量的是两个能量分布中心点之间的距离。
由Auto-Encoder重建误差所构成的能量作为Discriminator输出的概念源自于《ENERGY-BASED GENERATIVE ADVERSARIAL NETWORKS》一文。该文献中提出了EBGAN模型。那么EBGAN与BEGAN之间存在哪些差异呢？
BEGAN与EBGAN在模型结构（D-G）上具有相似性，如图所示：
还没有任何评论哟~