شبکه‌های تخاصمی مولد تغییراتی برای جلوگیری از فروافتادگی حالت

مدل‌های مولد سعی می‌کنند توزیع احتمالی که مشابه با توزیع داده‌های دیده شده باشد را به دست آورند. برای این کار دو راه‌حل در سال‌های اخیر ارائه شده است؛ یکی کمینه‌کردن واگرایی (فاصله) بین دو توزیع ازطریق بیشینه‌کردن باند پایین تغییراتی و دیگری کاهش ضمنی فاصله بین دو توزیع ازطریق فرآیندهای تخاصمی. یکی از مشکلات موجود در شبکه‌های تخاصمی‌مولد، فروافتادگی حالت است. فروافتادگی حالت به موضوعی گفته می‌شود که مدل مولد به‌ازای مقادیر ورودی متفاوت و پراکنده، نمونه‌های با پراکندگی کم یا حتی نمونه‌های مشابه به هم تولید می‌کند. این مقاله با ارائۀ روشی با عنوان شبکه‌های ‌مولد ‌تخاصمی‌ تغییراتی سعی در مقابله با فروافتادگی‌ حالت و همچنین، تولید داده‌های ‌طبیعی‌تر دارد. این روش با استفاده از خودرمزگذارهای تغییراتی، شبکه‌های‌ تخاصمی ‌مولد را مقدار‌دهی اولیه می‌کند. به بیان دیگر، علاوه بر اینکه باند پایین تغییراتی را بیشینه می‌کند، فاصله بین دو توزیع را به‌صورت ضمنی کاهش می‌دهد. نتایج تجربی نشان می‌دهند این روش توانسته است بهتر از روش‌های موجود با مشکل فروافتادگی حالت مقابله کند. همچنین، در تحلیل کیفی براساس نظرسنجی از 136 فرد در رابطه با واقعی‌بودن تصاویر تولیدشده نشان داده شد روش پیشنهادی تصاویر مشابه‌تری به واقعیت نسبت به روش پایه تولید کرده است.

Variational Generative Adversarial Networks for Preventing Mode Collapse

Generative models try to obtain a probability distribution that is similar to that of observed data. Two different solutions have been proposed in this regard in recent years: one is to minimize the divergence (distance) between the two distributions by maximizing the variational lower bound, and the other is to implicitly reduce the distance between the two distributions through adversarial processes. One of the problems in generative adversarial networks (GANs) is the mode collapse. Mode collapse is a phenomenon in which, for various inputs, the generative model generates low variety or similar images. This paper tries to provide a solution to the mode collapse problem proposing a novel method called variational generative adversarial networks (VGANs). This method exploits variational autoencoders to initialize GANs. In other words, in addition to maximizing the variational lower bound, it also implicitly reduces the distance between the two distributions. Experimental results show that this method can deal with the mode collapse problem better than the stateoftheart. Moreover, in the qualitative analysis, according to a survey of 136 people on the authenticity of the generated images, the proposed method can generate images more similar to real ones.