计算机应用研究

作者：钱惠敏,毛邱凌,陈实,韩怡星,吕本杰,

单位：河海大学人工智能与自动化学院,南京211106；

关键词：生成对抗网络,图像生成,Transformer,Lipschitz判别器,

生成对抗网络（generative adversarial network，GAN）已成为图像生成问题中常用的模型之一，但是GAN的判别器在训练过程中易出现梯度消失而导致训练不稳定，以致无法获得最优化的GAN而影响生成图像的质量。针对该问题，设计满足Lipschitz条件的谱归一化卷积神经网络（CNN with spectral normalization，CSN）作为判别器，并采用具有更强表达能力的Transformer作为生成器，由此提出图像生成模型TCSNGAN。CSN判别器网络结构简单，解决了GAN模型的训练不稳定问题，且能依据数据集的图像分辨率配置可调节的CSN模块数，以使模型达到最佳性能。在公共数据集CIFAR-10和STL-10上的实验结果表明，TCSNGAN模型复杂度低，生成的图像质量优；在火灾图像生成中的实验结果表明，TCSNGAN可有效解决小样本数据集的扩充问题。

来源：2024年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第4期