摘要

我们提出了一种基于梯度的正则化方法，用于对抗优化最大均值差异（Maximum Mean Discrepancy, MMD）核的GAN类模型中的判别器。研究表明，控制判别器的梯度对于获得合理的损失函数至关重要，因此我们设计了一种方法，在不增加额外成本的情况下，强制执行精确的解析梯度约束，而现有的基于加性正则化的技术只能提供近似约束。新的损失函数被证明是连续的，实验结果表明，该方法可以稳定并加速训练过程，生成的图像模型在$160 \times 160$ CelebA和$64 \times 64$无条件ImageNet数据集上的表现优于现有最先进方法。