摘要

生成对抗网络（GANs）在训练过程中经常遭遇不可预测的模式崩溃问题。本文研究了边界平衡生成对抗网络（Boundary Equilibrium Generative Adversarial Network, BEGAN）的模式崩溃问题，该模型是当前最先进的生成模型之一。尽管BEGAN具有生成高质量图像的潜力，但我们发现其在经过一段时间的训练后，仍倾向于在某些模式下发生崩溃。为此，我们提出了一种新的模型，称为\emph{带约束空间的BEGAN}（BEGAN-CS），该模型在损失函数中引入了潜在空间约束。实验结果表明，BEGAN-CS能够在不增加模型复杂度或降低图像质量的前提下显著提高训练稳定性并抑制模式崩溃。此外，我们通过可视化潜在向量的分布来阐明潜在空间约束的效果。实验结果还显示，我们的方法具有额外的优势，即能够在小数据集上进行训练，并且能够即时生成与给定真实图像相似但具有指定属性变化的图像。