盡管 GAN 領域的進步令人印象深刻，但其在應用過程中仍然存在一些困難。本文梳理了 GAN 在應用過程中存在的一些難題，并提出了最新的解決方法。

使用 GAN 的缺陷

眾所周知，GAN 是由 Generator 生成網(wǎng)絡和 Discriminator 判別網(wǎng)絡組成的。

1. Modecollapse（模型奔潰）

注：Mode collapse 是指 GAN 生成的樣本單一，其認為滿足某一分布的結果為 true，其他為 False，導致以上結果。

自然數(shù)據(jù)分布是非常復雜，且是多峰值的（multimodal）。也就是說數(shù)據(jù)分布有很多的峰值（peak）或眾數(shù)（mode）。每個 mode 都表示相似數(shù)據(jù)樣本的聚集，但與其他 mode 是不同的。

在 modecollapse 過程中，生成網(wǎng)絡 G 會生成屬于有限集 mode 的樣本。當 G 認為可以在單個 mode 上欺騙判別網(wǎng)絡 D 時，G 就會生成該 mode 外的樣本。

上圖表示 GAN 的輸出沒有 mode collapse. 下圖則出現(xiàn)了 mode collapse。

判別網(wǎng)絡最后會判別來自該 mode 的樣本是假的。最后，生成網(wǎng)絡 G 會簡單地鎖定到另一個 mode。該循環(huán)會無限進行，就會限制生成樣本的多樣性。

2. Convergence（收斂）

GAN 訓練過程中遇到的一個問題是什么時候停止訓練？因為判別網(wǎng)絡 D 損失降級會改善生成網(wǎng)絡 G 的損失（反之亦然），因此無法根據(jù)損失函數(shù)的值來判斷收斂，如下圖所示：

典型的GAN損失函數(shù)圖。注意該如何從這個圖中解釋收斂性。

3. Quality（質(zhì)量）

與前面提到的收斂問題一樣，很難量化地判斷生成網(wǎng)絡 G 什么時候會生成高質(zhì)量的樣本。另外，在損失函數(shù)中加入感知正則化則在一定程度上可緩解該問題。

4. Metrics（度量）

GAN 的目標函數(shù)解釋了生成網(wǎng)絡 G 或 判別網(wǎng)絡 D 如何根據(jù)組件來執(zhí)行，但它卻不表示輸出的質(zhì)量和多樣性。因此，需要許多不同的度量指標來進行衡量。

改善性能的技術

下面總結了一些可以使 GAN 更加穩(wěn)定使用的技術。

1. Alternative Loss Functions （替代損失函數(shù)）

修復 GAN 缺陷的最流行的補丁是 Wasserstein GAN （https://arxiv.org/pdf/1701.07875.pdf）。該 GAN 用 Earth Mover distance( Wasserstein-1 distance 或 EM distance) 來替換傳統(tǒng) GAN 的 Jensen Shannon divergence ( J-S 散度)。EM 距離的原始形式很難理解，因此使用了雙重形式。這需要判別網(wǎng)絡是 1-Lipschitz，通過修改判別網(wǎng)絡的權重來維護。

使用 Earth Mover distance 的優(yōu)勢在于即使真實的生成數(shù)據(jù)分布是不相交的，它也是連續(xù)的。同時，在生成的圖像質(zhì)量和損失值之間存在一定關系。使用 Earth Mover distance 的劣勢在于對于每個生成模型 G 都要執(zhí)行許多判別網(wǎng)絡 D 的更新。而且，研究人員認為權重修改是確保 1-Lipschitz 限制的極端方式。

左圖中 earth mover distance 是連續(xù)的, 即便其分布并不連續(xù), 這不同于優(yōu)圖中的 the Jensen Shannon divergence。

另一個解決方案是使用均方損失（ mean squared loss ）替代對數(shù)損失（ log loss ）。LSGAN （https://arxiv.org/abs/1611.04076）的作者認為傳統(tǒng) GAN 損失函數(shù)并不會使收集的數(shù)據(jù)分布接近于真實數(shù)據(jù)分布。

原來 GAN 損失函數(shù)中的對數(shù)損失并不影響生成數(shù)據(jù)與決策邊界（decision boundary）的距離。另一方面，LSGAN 也會對距離決策邊界較遠的樣本進行懲罰，使生成的數(shù)據(jù)分布與真實數(shù)據(jù)分布更加靠近，這是通過將均方損失替換為對數(shù)損失來完成的。

2. Two Timescale Update Rule(TTUR)

在 TTUR 方法中，研究人員對判別網(wǎng)絡 D 和生成網(wǎng)絡 G 使用不同的學習速度。低速更新規(guī)則用于生成網(wǎng)絡 G ，判別網(wǎng)絡 D使用 高速更新規(guī)則。使用 TTUR 方法，研究人員可以讓生成網(wǎng)絡 G 和判別網(wǎng)絡 D 以 1:1 的速度更新。 SAGAN （https://arxiv.org/abs/1805.08318） 就使用了 TTUR 方法。

3. GradientPenalty （梯度懲罰）

論文Improved Training of WGANs（https://arxiv.org/abs/1704.00028）中，作者稱權重修改會導致優(yōu)化問題。權重修改會迫使神經(jīng)網(wǎng)絡學習學習更簡單的相似（simpler approximations）達到最優(yōu)數(shù)據(jù)分布，導致結果質(zhì)量不高。同時如果 WGAN 超參數(shù)設置不合理，權重修改可能會出現(xiàn)梯度消失或梯度爆炸的問題，論文作者在損失函數(shù)中加入了一個簡單的梯度懲罰機制以緩解該問題。

加入 GradientPenalty 作為正則化器

DRAGAN （https://arxiv.org/abs/1705.07215）的作者稱，當 GAN 的博弈達到一個局部平衡態(tài)（local equilibrium state），就會出現(xiàn) mode collapse 的問題。而且判別網(wǎng)絡 D 在這種狀態(tài)下產(chǎn)生的梯度是非常陡（sharp）的。一般來說，使用梯度懲罰機制可以幫助避免這種狀態(tài)的產(chǎn)生，極大增強 GAN 的穩(wěn)定性，盡可能減少 mode collapse 問題的產(chǎn)生。

4. Spectral Normalization（譜歸一化）

Spectral normalization 是用在判別網(wǎng)絡 D 來增強訓練過程的權重正態(tài)化技術 （weight normalization technique），可以確保判別網(wǎng)絡 D 是 K-Lipschitz 連續(xù)的。SAGAN(https://arxiv.org/abs/1805.08318)這樣的實現(xiàn)也在判別網(wǎng)絡 D 上使用了譜正則化。而且該方法在計算上要比梯度懲罰方法更加高效。

5. Unrolling andPacking (展開和打包)

文章 Mode collapse in GANs（http://aiden.nibali.org/blog/2017-01-18-mode-collapse-gans/）中提到一種預防 mode hopping 的方法就是在更新參數(shù)時進行預期對抗（anticipate counterplay）。展開的 GAN ( Unrolled GANs ）可以使用生成網(wǎng)絡 G 欺騙判別網(wǎng)絡 D，然后判別網(wǎng)絡 D 就有機會進行響應。

另一種預防 mode collapse 的方式就是把多個屬于同一類的樣本進行打包，然后傳遞給判別網(wǎng)絡 D 。PacGAN （https://arxiv.org/abs/1712.04086）就融入了該方法，并證明可以減少 mode collapse 的發(fā)生。

6. 多個 GAN

一個 GAN 可能不足以有效地處理任務，因此研究人員提出使用多個連續(xù)的 GAN ，每個 GAN 解決任務中的一些簡單問題。比如，F(xiàn)ashionGAN（https://www.cs.toronto.edu/~urtasun/publications/zhu_etal_iccv17.pdf）就使用 2 個 GAN 來執(zhí)行圖像定位翻譯。

FashionGAN 使用兩個 GANs 進行圖像定位翻譯。

因此，可以讓 GAN 慢慢地解決更難的問題。比如 Progressive GANs (ProGANs，https://arxiv.org/abs/1710.10196) 就可以生成分辨率極高的高質(zhì)量圖像。

7. Relativistic GANs（相對生成對抗網(wǎng)絡）

傳統(tǒng)的 GAN 會測量生成數(shù)據(jù)為真的可能性。Relativistic GANs 則會測量生成數(shù)據(jù)“逼真”的可能性。研究人員可以使用相對距離測量方法（appropriate distance measure）來測量相對真實性（relative realism），相關論文鏈接：https://arxiv.org/abs/1807.00734。

圖 A 表示 JS 散度的最優(yōu)解，圖 B 表示使用標準 GAN 損失時判別網(wǎng)絡 D 的輸出，圖 C 表示輸出曲線的實際圖。

在論文中，作者提到判別網(wǎng)絡 D 達到最優(yōu)狀態(tài)時，D 的輸出應該聚集到 0.5。但傳統(tǒng)的 GAN 訓練算法會讓判別網(wǎng)絡 D 對圖像輸出“真實”（real，1）的可能性，這會限制判別網(wǎng)絡 D 達到最優(yōu)性能。不過這種方法可以很好地解決這個問題，并得到不錯的結果。

經(jīng)過 5000 次迭代后，標準 GAN (左)和相對 GAN (右)的輸出。

8. Self Attention Mechanism（自注意力機制）

Self Attention GANs（https://arxiv.org/abs/1805.08318）作者稱用于生成圖像的卷積會關注本地傳播的信息。也就是說，由于限制性接收域這會錯過廣泛傳播關系。

將 attention map (在黃色框中計算)添加到標準卷積操作中。

Self-Attention Generative Adversarial Network 允許圖像生成任務中使用注意力驅(qū)動的、長距依賴的模型。自注意力機制是對正常卷積操作的補充，全局信息（長距依賴）會用于生成更高質(zhì)量的圖像，而用來忽略注意力機制的神經(jīng)網(wǎng)絡會考慮注意力機制和正常的卷積。（相關論文鏈接：https://arxiv.org/pdf/1805.08318.pdf）。

使用紅點標記的可視化 attention map。

9. 其他技術

其他可以用來改善 GAN 訓練過程的技術包括：

特征匹配

Mini Batch Discrimination（小批量判別）

歷史平均值

One-sided Label Smoothing（單側(cè)標簽平滑）

Virtual Batch Normalization（虛擬批量正態(tài)化）