摘要

条件生成对抗网络（cGAN）是一种生成高质量图像的强大工具，但现有方法普遍存在性能不佳或模式崩溃（mode collapse）的风险。本文提出Omni-GAN，一种cGAN的改进变体，揭示了在训练过程中设计有效判别器的关键挑战。其核心思想在于：确保判别器获得充分的监督以准确感知语义概念，同时施加适度的正则化以防止模型崩溃。Omni-GAN实现简单，可无缝集成现有的各类编码方法（如隐式神经表示，INR）。实验结果表明，Omni-GAN及其与INR结合的Omni-INR-GAN在多种图像生成与修复任务中均展现出卓越性能。特别地，Omni-INR-GAN在ImageNet数据集上创造了新的纪录，分别在128×128和256×256图像尺寸下取得了262.85和343.22的Inception分数，较此前最佳记录提升超过100分。此外，得益于生成器先验能力，Omni-INR-GAN可将低分辨率图像外推至任意高分辨率，最高可达原始分辨率的60倍以上。代码已开源。