摘要

生成对抗网络（GANs）被广泛用于学习数据采样过程，其性能在计算资源有限的情况下可能严重依赖于损失函数的选择。本研究重新审视了使用最大均值差异（MMD）作为损失函数的MMD-GAN，并做出了两项贡献。首先，我们认为现有的MMD损失函数可能会抑制对数据中细微特征的学习，因为它试图压缩真实数据的判别器输出。为了解决这一问题，我们提出了一种排斥性损失函数，通过简单地重新排列MMD中的项来积极学习真实数据之间的差异。其次，受铰链损失的启发，我们提出了一种有界的高斯核来稳定带有排斥性损失函数的MMD-GAN的训练过程。所提出的方法应用于CIFAR-10、STL-10、CelebA和LSUN卧室数据集上的无监督图像生成任务。实验结果表明，排斥性损失函数在不增加额外计算成本的情况下显著优于MMD损失函数，并且优于其他代表性损失函数。所提出的方法使用单个DCGAN网络和谱归一化在CIFAR-10数据集上达到了16.21的FID分数。