|
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。 在对抗生成网络中，目标函数（损失函数）具有非常重要的作用，不同的目标函数决定了网络训练时不同的演化方向。本文将推荐常见的用于生成任务的目标函数设计相关论文。 作者&编辑 | 小米粥 编辑 | 言有三 1. GAN GAN领域的开山之作，设计了一种新颖且有效的生成模型，扩展了生成模型的范畴。若要深入理解对抗学习、JS散度估计等技术之间的联系，这篇论文不可不读。 文章引用量：4.9w+ 推荐指数：✦✦✦✦✦  [1] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Networks[J]. arXiv preprint arXiv:1406.2661, 2014. 2. fGAN fGAN使用抽象度更高的f散度来设计GAN的目标函数，其囊括了KL散度、JS散度等多种距离度量方式，将原始GAN，LSGAN，EBGAN等归纳到统一的框架中。 文章引用量：1000+ 推荐指数：✦✦✦✦✧  [2] Nowozin S, Cseke B, Tomioka R. f-gan: Training generative neural samplers using variational divergence minimization[J]. Advances in neural information processing systems, 2016, 29. 3. LSGAN LSGAN设计了一种简洁的目标函数，在一定程度上缓解了GAN梯度消失的问题，降低了训练难度。 文章引用量：3800+ 推荐指数：✦✦✦✧✧  [3] Mao X, Li Q, Xie H, et al. Least squares generative adversarial networks[C]//Proceedings of the IEEE international conference on computer vision. 2017: 2794-2802 4. WGAN WGAN是具有里程碑意义的工作，其在目标函数设计上，使用了数学性质更优越的Wasserstein距离进行度量学习，有效提升了训练成功率和生成效果。WGAN的目标函数中具有一个难以解决的Lipschitz限制问题，WGAN-GP通过在目标函数中添加额外的正则项，近似满足了该限制。 文章引用量：1000+ 推荐指数：✦✦✦✦✦  [4] Arjovsky M, Chintala S, Bottou L. Wasserstein GAN[J]. arXiv preprint arXiv:1701.07875, 2017. [5] Gulrajani I, Ahmed F, Arjovsky M, et al. Improved Training of Wasserstein GANs[J]. arXiv preprint arXiv:1704.00028, 2017. 5. EBGAN EBGAN是一种将能量模型应用到GAN上的成功尝试，其中判别器利用编码器、解码器和MSE的组合实现了能量场，总体的目标函数设计参考了物理学中能量最小原理。 文章引用量：1000+ 推荐指数：✦✦✦✧✧  [6] Zhao J, Mathieu M, LeCun Y. Energy-based generative adversarial network[J]. arXiv preprint arXiv:1609.03126, 2016. 6. Relativistic GAN Relativistic GAN首先设计了同时接受真/假两类样本作为输入的判别器，从而使模型能进行相对真假的判断，其目标函数的设计对后续诸多GAN的设计具有启发意义。 文章引用量：700+ 推荐指数：✦✦✦✧✧  [7] Jolicoeur-Martineau A.The relativistic discriminator: a key element missing from standard GAN[J]. arXiv preprint arXiv:1807.00734, 2018. |
|
|
