Bedingte Aktivierungs-GAN: Verbesserter Hilfsklassifikator-GAN

Ein bedingtes generatives adversariales Netzwerk (cGAN) ist ein generatives adversariales Netzwerk (GAN), das Daten mit einer gewünschten Bedingung aus einem latenten Vektor generiert. Unter den verschiedenen Typen von cGAN ist das Hilfsklassifikator-GAN (ACGAN) das am häufigsten verwendete. In dieser Studie beschreiben wir die Probleme eines AC-GAN und schlagen vor, es durch ein bedingtes Aktivierungs-GAN (CAGAN) zu ersetzen, um die Anzahl der Hyperparameter zu reduzieren und die Trainingsgeschwindigkeit zu erhöhen. Die Verlustfunktion eines CAGAN wird als die Summe des Verlusts jedes für jede Bedingung erzeugten GAN definiert. Das vorgeschlagene CAGAN ist eine Integration mehrerer GANs, wobei jedes GAN alle verborgenen Schichten teilt, und ihre Integration als ein einzelnes GAN betrachtet werden kann. Daher erhöht die Struktur der integrierten GANs nicht signifikant die Anzahl der Berechnungen. Darüber hinaus schlagen wir vor, um zu verhindern, dass die im Diskriminator eines cGAN angegebenen Bedingungen mit der Batchnormalisierung ignoriert werden, ein gemischtes Batch-Training, bei dem jedes Batch für den Diskriminator das Verhältnis der echten und generierten Daten konsistent hält.