Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis

认真学习师姐的CVPR论文。

核心

MSGAN主要是提出了一个正则项，目的在于最大化生成的数据分布与隐编码分布的比值，即在隐编码z变化较小的时，网络的输出能够变化较大（映射到不同的数据分布上）。

优势

• 好处在于可以在同一个输入与condition的情况下，增加latent z后，不同的z能够输出不同的、有意义的、符合条件的输出。极大的增强了输出的Diversity。实质上解决了应用GAN训练时常见的模式坍塌问题（只学到较少的几个数据分布，网络作弊行为），实现了cGANs的多模态。

• 能够有效的应用到当前提出的cGAN应用形态，只需将正则项加入到损失函数中训练即可，通用性极强。

  
  
  

  模式分布形象化展示

亮点

• 对当前cGANs的主流重要应用准确概括分类，并做实验验证提出的模式寻找正则项在其上的适用性，使结果具有很强的说服力。
• 对模式坍塌问题的表现形式，提出的解决方案做了清晰的解释与分类概括。
• 实验结果评价比较用了多个典型指标
• 文献引用非常准确，均为对应领域的典型工作。

反思

• 老师：假如你研究发现1+2=3，那下一步就是研究出a+b=c的问题，那就是一个很好的工作。要慢慢学会抽象问题与结论的本质。
• 精读重要论文要问自己几个问题：主要解决了什么问题？用了什么方法？为什么会效果好？
• 设计实验时注重完备性、对照性、公平性。
• 师姐：会讲故事和包装故事应该是每个reseacher的基本素养，但是有深度有意义的工作才是最重要的。

加油吖 :)