CVPR 2020 | 10篇改进GAN的论文（网络、训练、正则等）

下述论文可在http://openaccess.thecvf.com/CVPR2020_search.py搜索下载

1 Your Local GAN: Designing Two Dimensional Local Attention Mechanisms for Generative Models

引入新的局部稀疏注意力层，保留二维几何形状和局部性，用这种结构替换SAGAN的密集注意力层即可获得显着的FID、Inception score和视觉效果。https://github.com/giannisdaras/ylg

2 Analyzing and Improving the Image Quality of StyleGAN

styleGAN生成图像已经非常逼真了，但仍然可能经不起细敲：可能有artifacts。本文从网络、训练方式等提出改进之法。

3 A Characteristic Function Approach to Deep Implicit Generative Modeling

将学习隐式生成模型（IGM）的问题公式化为最小化 characteristic functions 之间的期望距离。在适当选择的加权分布下，匹配实际数据分布和生成数据分布的characteristic functions。通过用characteristic function distance（CFD）改进GAN，可获得一个易于实现、训练的模型。

4 Alleviation of Gradient Exploding in GANs: Fake Can Be Real

为缓解生成对抗网络中模式坍塌，提出一种训练方法：在训练过程中将某些假样本视为真实样本。该策略可以减小生成器在发生梯度爆炸的区域中接收到的梯度值。

5 Watch your Up-Convolution: CNN Based Generative Deep Neural Networks are Failing to Reproduce Spectral Distributions

生成式卷积神经网络，如GAN架构依赖于基于卷积的上采样方法来生成非标量输出（图像或视频序列等）。本文表明常见的上采样方法（反卷积或转置卷积）导致此类模型无法正确再现训练数据的频谱分布。这种影响与底层架构无关，它可轻松被利用去检测生成的数据，如Deepfake。为克服当前生成模型这一缺点，提出在训练优化目标中添加一个新的频谱正则项。

6 A U-Net Based Discriminator for Generative Adversarial Networks

生成对抗网络（GAN）所面临的主要挑战之一是，能合成在物体形状和纹理的全局和局部上具有与真实图像无法区分的自然一致性图像。为此借鉴了分割思想，提出一种基于U-Net的鉴别器架构。

7 MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks

尽管GAN在图像合成任务中取得了巨大成功，但很难适应不同数据集，部分原因是训练期间不稳定及对超参数敏感。这项工作提出多尺度梯度生成对抗性网络（MSG-GAN），简单但有效，从鉴别器到生成器的多个尺度的梯度流来解决此问题。该技术为高分辨率图像合成提供稳定之法，并且可替代常用的渐进式生长技术。

8 Noise Robust Generative Adversarial Networks

提出噪声鲁棒GAN（NR-GAN），即使训练图像有噪点，它也可以学习干净的图像生成器。https://github.com/takuhirok/NR-GAN/

9 On Positive-Unlabeled Classification in GAN

本文提出一种稳定训练GAN鉴别器的技术。传统上，实际数据被视为正样本，而生成数据为负样本。这种正负分类标准在鉴别器的整个学习过程中一直保持不变，却不考虑生成数据的质量逐渐提高甚至比真实数据更逼真。相反，将生成数据视为未标记是更合理的，根据其质量可以是正或负样本。

10 AdversarialNAS: Adversarial Neural Architecture Search for GANs

网络架构自动化设计的神经架构搜索（NAS）在许多计算机视觉领域取得了可喜的成果。本文提出一种专门针对生成对抗网络（GAN）量身定制的Adversarial NAS方法，以搜索无条件图像生成任务中的高级生成模型。https://github.com/chengaopro/AdversarialNAS