.png){kind=icon}
返回
Noiseless Diffusion-GAN: Scaling-based data augmentation for generative models
.png){kind=icon}
OA
AI
DOI：10.1016/j.neunet.2025.108458.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们系统地分析了Diffusion-GAN，发现数据缩放对于稳定训练和提升生成质量起着重要作用，有助于防止模式崩溃。• 我们提出了Scale-GAN，它将数据缩放与基于方差的正则化相结合，以提供替代梯度惩罚的简单方案并增强训练稳定性。• 我们的方法适用于一大类GAN算法，且不损失理论有效性，并对偏差-方差权衡控制、梯度方向不变性以及改进的泛化性能进行了理论分析。• 在流行数据集上的广泛实验表明，与现有方法相比，Scale-GAN实现了更优越的训练稳定性和生成质量（FID和召回率），同时保持了良好的计算效率。
Keyword:
Generative models
Data scaling
Noise injection
Generalization error bounds
07.05.Mh
62M45
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.3
论文数:
7.8K
被引数:
3.0W
机构
引用论文
Simultaneous approximation of a smooth function and its derivatives by deep neural networks with piecewise-polynomial activations.png)
NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Understanding Estimation and Generalization Error of Generative Adversarial Networks理解生成对抗网络的估计误差和泛化误差
PREAI
分享收藏
查看更多内容