简介

简介：这次介绍复现的论文主要是约束判别器的函数空间，作者认为原来的损失函数在优化判别器关于真样本和假样本的相对输出缺乏显式约束，因为在实践中，在优化生成器时，鉴别器对生成样本的输出会增加，但对真实数据保持不变，而优化鉴别器会导致其对真实数据的输出增加，相应地对生成样本的输出减少。此外，生成器在训练早期表现相对较差，如果生成器分布的支持和真实数据分布的支持不相交，则存在一个能够完美区分真实和虚假样本的鉴别器。

论文题目：Constrained Generative Adversarial Networks（约束生成对抗网络）

论文期刊：IEEE Access

作者提供的源码链接：https：//github.com/cxp504/Constrained_GAN

摘要：生成对抗网络（GAN）是生成模型的一个强大子类。然而，如何有效地训练它们达到非合作博弈均衡是一个挑战。大量实验表明，一种可能的解决方案是约束判别器的函数空间。在实践中，在不限制判别器输出的情况下优化标准损失函数时，判别器可能会出现收敛性不足。为了能够在训练期间以更快的方式达到非博弈合作均衡并获得更好的生成数据，我们提出了约束生成对抗网络，GAN-C，其中引入了对判别器输出的约束。 我们