1、ensemble of GAN
(1)
:同時train 一大堆GAN,然後就有一大堆generator,之後在generate image的時候,先隨機挑選一個generator,再讓那個generator sample image。那這樣所有的generator合起來就會產生比較多樣性的結果。
:因爲我們發現在每一個training的iteration,generator的output都很不一樣。那我們就把好幾個iteration的generator都集合起來,再產生output。
:先train第一個GAN,然後看有哪些image或者mode是第一個GAN不太容易產生的(用第一個GAN去sample一大堆image,然後learning一個discriminator,分辨第一個GAN產生的 image跟real的image,如果這個discriminator在某一個real image上的分數很高,discriminator覺得這個image非常的realistic的話,那這張image可能就是generator不會產生的mode)。再把這些不太容易產生的image從database中都取出來,在放到下一個GAN中。。。經過訓練,這樣不同的GAN就會產生不同model的image。
(2)generative adversarial parallelization
在test的時候,交換兩個generator,如果G1能夠戰勝D2(戰勝與否是說G1產生的image對D2來說是否是realistic),G2輸給D1的話,這樣就可以說G1產生的image比G2產生的要好。
2、Energy-based GAN
(1)original idea
(2)evaluate function
我們希望從database裏面挑出real image,放到F(x)中,得到的值越大越好;不是real image的圖代進去,得到的值越小越好。但實際上我們無法窮舉所有不是real的image。
(3)energy-based GAN(EBGAN)
3、MAGAN
4、LSGAN
5、BEGAN