摘要

在本文中，我们介绍了针对一种新型损失敏感生成对抗网络（LS-GAN）的Lipschitz正则化理论和算法。具体而言，该方法通过指定的边界训练损失函数来区分真实样本和虚假样本，同时交替学习生成器以最小化这些样本的损失，从而生成逼真的样本。LS-GAN进一步通过对真实数据密度施加Lipschitz正则性条件来正则化其损失函数，从而得到一个正则化模型，该模型能够比经典的GAN更好地从合理的训练样本数量中泛化并生成新的数据。我们还将介绍广义LS-GAN（GLS-GAN），并展示它包含了一大类正则化的GAN模型，包括LS-GAN和Wasserstein GAN作为其特例。与其他GAN模型相比，我们将通过实验展示LS-GAN和GLS-GAN在最小重构误差（MRE）评估指标上具有竞争力的新图像生成能力。此外，我们将LS-GAN扩展到条件形式，用于监督学习和半监督学习问题，并展示了其在图像分类任务中的卓越性能。