《表2 部分GAN衍生模型》
GAN在基于梯度下降训练时存在梯度消失、模式崩溃等问题,因此各种基于GAN的衍生模型先后被提出。Mirza等人[34]提出条件生成式对抗网络(Conditional Generative Adversarial Networks,CGAN),将条件变量加入生成器以约束生成过程,可以提高序列生成等模型的稳定性。Mao等人提出的最小二乘对抗网络(Least Squares Generative Adversarial Networks,LSGAN)[35]从损失函数出发,通过最小化两者之间的交叉熵进行训练,在实验中取得了很好的效果。此外,Yang[36]、Arjovsky[37]、Gulrajani[38]等也针对GAN模型做了相应改进,促进了生成式对抗网络与强化学习结合在图像处理、优化调度等领域的研究进展。表2列出了部分GAN衍生模型。
图表编号 | XD0053249700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.15 |
作者 | 吴宏杰、戴大东、傅启明、陈建平、陆卫忠 |
绘制单位 | 苏州科技大学电子与信息工程学院、苏州大学江苏省计算机信息处理技术重点实验室、苏州科技大学电子与信息工程学院、苏州科技大学电子与信息工程学院、苏州科技大学江苏省建筑智慧节能重点实验室、苏州市移动网络技术与应用重点实验室、苏州科技大学电子与信息工程学院、苏州科技大学江苏省建筑智慧节能重点实验室、苏州市移动网络技术与应用重点实验室、苏州科技大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |