Consistency-GAN: 一貫性モデルを用いたGANの訓練

生成学習タスクにおいて、モデルからサンプルを生成するための三つの重要な基準があります：品質、カバレッジ/多様性、そしてサンプリング速度です。既存の生成モデルの中で、生成敵対ネットワーク（GAN）と拡散モデルは優れた品質性能を示しますが、顕著な制限があります。GANは高品質な結果を生成し、高速なサンプリングを可能にしますが、その欠点は生成されるサンプルの多様性の限られたことにあります。一方、拡散モデルは高品質な結果を生成し、優れた多様性を持っています。しかし、その反復生成プロセスは数百から数千のサンプリングステップを必要とし、リアルタイムシナリオでは実用的でない遅い速度につながります。この問題に対処するために、本論文では新しいConsistency-GANモデルを提案します。具体的には、GANの訓練を助けるために、従来の拡散プロセスと比較して少数のステップのみを使用する一貫性モデルを採用するインスタンスノイズを導入します。さまざまなデータセットに関する評価は、私たちのアプローチが従来の拡散モデルと比較してサンプリング速度を大幅に加速しつつ、サンプルの品質と多様性を維持することを示しています。さらに、私たちのアプローチは従来の敵対的訓練方法よりもモデルのカバレッジが優れています。