GP-WIRGAN:梯度惩罚优化的Wasserstein图像循环生成对抗网络模型

• 作者: 冯永 尚家兴 张春平 张逸扬 强保华
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 图像生成 生成对抗网络 Wasserstein距离 深度学习 权重剪枝 梯度惩罚
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 人工智能与软件
• 页码范围: 190-205
• 页数: 16页
• 分类号: TP18
• 字数: 10608字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2020.00190

摘要

通常情形下,现有的图像生成模型都采用单次前向传播的方式生成图像,但实际中,画家通常是反复修改后才完成一幅画作的;生成对抗模型(Generative Adversarial Networks,GAN)能生成图像,但却很难训练.在保证生成图像质量的前提下,效仿作画时的不断更新迭代,以提升生成样本多样性并增强样本语义,同时引入Wasserstein 距离,提出了Wasserstein图像循环生成对抗网络模型,简称WIRGAN (Wasserstein Image Recurrent Generative Adversarial Networks Model).WIRGAN定义了生成模型和判别模型,其中,生成模型是由一系列结构相同的神经网络模型组成的循环结构,用时间步骤T控制生成模型的循环次数,用于迭代式生成图像,并以最后一个循环结构的生成图像作为整个生成模型的输出;判别模型也由神经网络构建,结合权重剪枝技术,用来判别输入图像是生成的还是真实的.WIRGAN利用Wasserstein距离作为目标函数,将生成模型和判别模型进行博弈对抗训练.另外,由于模型存在难以优化的问题,本文引入了梯度惩罚来解决此类问题,进一步提出了梯度惩罚优化的Wasserstein 图像循环生成对抗网络模型(Gradient Penalty Optimized Wasserstein Image Recurrent Generative Adversarial Networks Model,GP-WIRGAN).最后,WIRGAN和GP-WIRGAN在MNIST、CIFAR10、CeUN四个数据集上进行了基础学习能力、模型间GAM自比较、模型内GAM自比较、初始得分比较、图像生成可视化、时间效率比较等6组实验,采用生成对抗矩阵(Generative Adversarial Metric,GAM)和起始分数(Inception Scores)进行评估,结果表明,本文提出的WIRGAN、GP-WIRGAN具有良好的稳定性,可以生成高质量的图像.