《计算机学报》文章摘要   全文下载
  文章题目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1),2) 张春平1),2) 强保华3),4) 张逸扬1),2) 尚家兴1),2)
  作者单位1)(重庆大学计算机学院 重庆 400044) 2)(重庆大学信息物理社会可信服务计算教育部重点实验室 重庆 400044) 3)(桂林电子科技大学广西可信软件重点实验室 广西桂林 541004) 4)(桂林电子科技大学广西光电信息处理重点实验室培育基地 广西桂林 541004)
  发表年份2020
  发表月份2期(190-205)
  文章摘要摘要 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Net-works，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. 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 中图法分类号 TP18 DOI号 10.11897/SP.J.1016.2020.00190