开发工具:
文件大小: 1mb
下载次数: 0
上传时间: 2021-03-08
详细说明：本文提出了一种快速，简便的实现方法，该方法利用真实数据的去噪损失和潜在代码的重建损失来处理生成对抗网络（GAN）的训练不稳定性和模式崩溃。 鉴别器从损坏的真实数据中获知的特征被生成器用来恢复真实数据。 由于去噪损失可以估计数据生成密度的局部属性，因此将去噪损失添加到GAN目标函数可以提高生成样本的质量和多样性。 将潜在代码的重建损失添加到生成器中可进一步提高GAN的性能。 因此，发生器的优化信号来自三个方面：标准GAN中的对抗损失，真实数据的去噪损失和潜码的重建损失，这有助于防止无梯度问题。 我们使用稳健的度量标准Frechet起始距离评估生成的样本的质量和多样性，该度量可以检测类内模式下降并与人工评估相一致。 此外，我们使用广泛使用的DCGAN架构和复杂的ResNet架构进行了一系列实验，以证明该方法的有效性和鲁棒性。
(系统自动生成,下载前可以参看下载内容)
下载文件列表
相关说明
- 本站资源为会员上传分享交流与学习,如有侵犯您的权益,请联系我们删除.
- 本站是交换下载平台，提供交流渠道，下载内容来自于网络，除下载问题外，其它问题请自行百度。
- 本站已设置防盗链，请勿用迅雷、QQ旋风等多线程下载软件下载资源，下载后用WinRAR最新版进行解压.
- 如果您发现内容无法下载，请稍后再次尝试；或者到消费记录里找到下载记录反馈给我们.
- 下载后发现下载的内容跟说明不相乎，请到消费记录里找到下载记录反馈给我们，经确认后退回积分.
- 如下载前有疑问，可以通过点击"提供者"的名字，查看对方的联系方式，联系对方咨询.
