摘要

生成对抗网络（Generative Adversarial Networks, GANs）因其卓越的图像生成能力而受到广泛关注。然而，GAN的训练过程极具挑战性，原因在于生成器（Generator, G）与判别器（Discriminator, D）之间的对抗关系本质上是不公平的。为使这一对抗更加均衡，本文提出一种训练GAN的新视角，称为一致潜在表示与重建（Consistent Latent Representation and Reconstruction, CLR-GAN）。在该框架中，我们将生成器G与判别器D视为互为逆过程：判别器在完成分类任务的同时，还需恢复预定义的潜在码；而生成器则需重建真实的输入样本。通过这一机制，我们建立了生成器潜在空间与判别器输出特征之间的内在关联。基于该先验知识，我们设计了一种新的训练准则，使G与D在训练过程中处于更公平的地位。在多个数据集和网络架构上的实验结果表明，该方法显著提升了GAN的训练稳定性，并生成了更高质量的图像——在CIFAR10上FID指标提升31.22%，在AFHQ-Cat数据集上提升达39.5%。我们期望这一新视角能够启发研究者从更广泛的视角重新思考GAN的训练机制，突破传统“两玩家博弈”的局限。代码已公开，可访问：https://github.com/Petecheco/CLR-GAN。