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
大规模对比多种 GAN,发现调参和算力比算法改动更关键
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 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。
“shows that, according to the metrics in problem 5, they don't really improve results compared to the original GAN loss function.”