BEGAN: Boundary Equilibrium Generative Adversarial Networks

[msrks]

https://arxiv.org/abs/1703.10717

参考

• http://musyoku.github.io/2017/04/16/Boundary-Equilibrium-Generative-Adversarial-Networks/
• https://blog.heuritech.com/2017/04/11/began-state-of-the-art-generation-of-faces-with-generative-adversarial-networks/

[msrks]

TL;DR

1. Disc.をAEで構成。
2. real, fakeの自己再生誤差の分布距離(Wasserstein)を近づけるように学習
3. 学習中のGen.とDisc.のバランステクニック、収束状況に対するメトリクスを提案
4. 現時点でImproved WGANと並ぶ有力手法に？

[msrks]

EBGAN

・普通のGANってのはGeneratorがメインで、DiscriminatorはGeneratorをどっちの方向に鍛えればいいかのサブ的な役割で考えるが ・EBGANではDiscriminatorをメインに考えて、Energy-basedな生成モデルを（生成確率が高いものが低いエネルギーをとる）構築することが目的で、Generatorが生成するfakeサンプルを使って、エネルギー局面を引き上げるサブ的な役割を担う。

・AEはEnergy-basedなモデルを作るため　＝　Realに対して、低い値（エネルギー）を取らせるために、使った？？EBGANもAEを使うのが本質的に大事なのか、realに対して低い値をとるメトリクスとして自己再生誤差を選んだだけなのかよくわからず・・ ・Disc. の損失関数には hingeロスを使って、fakeに対して高いエネルギーを取るように設定してます

• https://www.youtube.com/watch?v=88nKI-qqWEo
• http://www.inference.vc/my-summary-of-adversarial-training-nips-workshop/