如下图所示，WGAN-GP 生成的猫图具有多样性，也没有明显的模型崩溃，这是与 WGAN 相比最大的提升。但另一方面，这些猫看起来十分粗糙，就像是用高分辨率的屏幕在看低分辨率的图片，我也不知道这是为什么。或许这是 Wasserstein 损失函数的特点？我认为使用不同的学习率和体系结构将可以提升一下性能。不过，这还需要进一步的尝试，肯定还有很大的潜力。

WGAN-GP 论文《Improved Training of Wasserstein GANs》链接：https://arxiv.org/abs/1704.00028

LSGAN（Least Squares GAN）

LSGAN 是一种略为不同的方法，在这里我们得试图最小化鉴别器输出和分配标签的平方距离；研究者建议：对于真实图像为 1，对于鉴别器更新时的假图像使用 0。Hejlm 等人（2017）的研究则认为：对于真实图像为 1，对于鉴别器更新时的假图像使用 0，而生成器更新时的假图像用 0.5 以寻找边界。

作者还没有时间运行整个流程，但它看起来非常稳定，而且可以输出漂亮的猫图。尽管它总体稳定，有一次损失函数和梯度还是爆炸了，猫变成了无意义的图片。如下图所示。

所以，LSGAN 不是完全稳定的。通过 Adam 选择更好的超参数可以帮助解决这个问题。在失败时（很少见），它可以让你无须像 DCGAN 那样调整学习速率，这个方法可以让你生成漂亮的猫图。

LSGAN 论文《Least Squares Generative Adversarial Networks》链接：https://arxiv.org/abs/1611.04076

Update：LSGAN 论文的第一作者毛旭东（香港城市大学）给我发来使用 LSGAN 生成的 128×128 分辨率猫图（如下图），结果证明了这种方法至少可以生成和 DCGAN 一样质量的结果。

原文链接：https://ajolicoeur.wordpress.com/cats/

本文为机器之心编译，转载请联系本公众号获得授权。

✄------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]