按年被提到
20172019 · 2 次2026
视觉、语音与图像生成›生成对抗网络·arXiv:1711.10337 · stat.ML

Are GANs Created Equal? A Large-Scale Study

GAN 生而平等吗?一项大规模研究
Mario Lucic, Karol Kurach, Marcin Michalski, Sylvain Gelly, Olivier Bousquet · 2017

大规模对比多种 GAN,发现调参和算力比算法改动更关键

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 3 人首次 2017-11-29 · 最近 2019-07-23
3不同的人
3活跃月份
3讨论串
749被引(OpenAlex)

论文对最先进的 GAN 模型和评估指标做了中立、多方面的大规模实证研究,发现只要有足够的超参数优化和随机重启,大多数模型都能达到相近的分数,说明改进可能更多来自更大的计算预算和调参,而非根本性的算法变化。作者还提出若干可计算精确率与召回率的数据集以弥补现有指标的局限,并指出没有证据表明任何被测算法稳定优于原始的非饱和 GAN。

HN 为什么提它

HN 上的人引用它说明按该研究的指标,各种 GAN 损失函数变体相比原始 GAN 损失并没有真正改善结果。

实证研究难度 3 / 5约 45 分钟有时效性
读之前最好知道
1生成对抗网络(GAN)
2GAN 的评估指标(如 FID)
3超参数搜索
4生成模型基础

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用tasdfqwer0897 · 2019-04

“shows that, according to the metrics in problem 5, they don't really improve results compared to the original GAN loss function.”

引用它说明按相关指标,各种 GAN 损失并不比原始 GAN 损失更好
Open Questions about Generative Adversarial Networks原评论 ↗
被提交为 story · 2 次