目录

 

1：判别器执行JS时存在的问题

1.1：LSGAN，把二分类问题变成线性回归问题

1.2：WGAN（推土机距离）

1.3：Spectrum Norm判别器所有区域的梯度都<1

1.4:EBGAN用真实图片预训练编解码器

1.5：LSGAN更精细地评判生成样本

---

1：判别器执行JS时存在的问题

1，图像被认为是低维数据在高维空间的折叠，两个图像之间的重叠很少

2，就算有重叠，也很难被采样点描绘清楚

3，不重叠计算出来的结果就是log2（可以完全分开，没有重叠）

4，无法得到明确的距离，怎么动都是log2，那么梯度=0，生成器就无法优化

5，一个简单的解决方案是，不要把判别器训练的太好

1.1：LSGAN，把二分类问题变成线性回归问题

1.2：WGAN（推土机距离）

复杂分布有多种情况，选择最小的

用矩阵表示，行的和为原始某个土堆的量，纵轴类似

G50必须有进化上的优势

WGAN实际使用时的判别器的目标就是让距离的衡量更平滑，体现了一种转换的概念

为了给判别器增加一个平滑约束，最初的想法是增加权重的限制（其实没用）

 

保证所有的转换梯度都小于1太过困难，所以我们用Ppenalty采样（从正负样本中的连线上采样），只保证这个采样中的点的梯度小于1

PG是根据蓝色区域的点的梯度挪动的参数

实验证明，梯度为1时优化较快，所以我么希望惩罚不为1的梯度

1.3：Spectrum Norm判别器所有区域的梯度都<1

1.4:EBGAN用真实图片预训练编解码器

建设难破坏容易为了保护高分图片，所以对负样本的得分做一个限制

1.5：LSGAN更精细地评判生成样本