Core Concepts
Optimal Transport-basierte GANs erfordern stabile Trainingstechniken und eine ausgewogene Kostenfunktion für verbesserte Leistung.
Abstract
Das Paper analysiert und verbessert Optimal-Transport-basierte GANs durch die Integration von OT- und UOT-Methoden. Es zeigt, wie die Wahl von g1 und g2 als strikt konvexe Funktionen die Stabilität des Trainings verbessert und wie die Kostenfunktion Mode-Kollaps und Mischungsprobleme verhindert. Eine neue Methode, UOTM-SD, wird vorgeschlagen, um die τ-Empfindlichkeit von UOTM zu adressieren und die Leistung zu verbessern.
Einleitung:
Optimal Transport (OT) in generativer Modellierung.
Kernbotschaft:
Stabile Trainingstechniken und ausgewogene Kostenfunktion für verbesserte Leistung.
Hauptpunkte:
OT- und UOT-Methoden integriert.
Wahl von g1 und g2 als strikt konvexe Funktionen.
Kostenfunktion verhindert Mode-Kollaps und Mischungsprobleme.
Neue Methode UOTM-SD zur Adressierung der τ-Empfindlichkeit.
Schlussfolgerung:
Verbesserung der Leistung von Optimal-Transport-basierten GANs.
Stats
Die Kostenfunktion c(x, y) = τ∥x − y∥2 wird verwendet.
UOTM-SD erreicht einen FID-Score von 2,51 auf CIFAR-10 und 5,99 auf CelebA-HQ-256.
Quotes
"Optimal Transport-basierte GANs erfordern stabile Trainingstechniken und eine ausgewogene Kostenfunktion für verbesserte Leistung."