梯度惩罚优化的图像循环生成对抗网络模型

　　通常情形下，现有的图像生成模型都采用单次前向传播的方式生成图像，但实际中，画家通常是反复修改后才完成一幅画作的;生成对抗模型（ Generative Adversarial Networks，GAN）能生成图像，但却很难训练。在保证生成图像质量的前提下，效仿作画时的不断更新迭代，以提升生成样本多样性并增强样本语义，同时引入 Wasserstein距离，提岀了 Wasserstein图像循环生成对抗网络模型，简称 WIRGAN（ Wasserstein Image Recurrent GenerativeAdversarial Networks Model）/ WIRGAN定义了生成模型和判别模型，其中，生成模型是由一系列结构相同的神经网络模型组成的循环结构，用时间步骤控制生成模型的循环次数，用于迭代式生成图像，并以最后一个循环结构的生成图像作为整个生成模型的输出;判别模型也由神经网络构建，结合权重剪枝技术，用来判别输入图像是生成的还是真实的。 WIRGAN利用 Wasserstein距离作为目标函数，将生成模型和判别模型进行博弈对抗训练。另外，由于模型存在难以优化的问题，本文引入了梯度罚来解决此类问题，进一步提出了梯度惩罚优化的 Wasserstein图像循环生成对抗网络模型（ Gradient Penalty Optimized Wasserstein Image Recurrent Generative AdversarialNetworks model， GP-WIRGAN）。最后， WIRGAN和 GPWIRGAN在 MNIST、 CIFAR10、CeUN四个数据集上进行了基础学习能力、模型间GAM自比较、模型内GAM臼较、初始得分比较、图像生成可视化、时间效率比较等6组实验，采用生成对抗矩阵（ Generative Adversarial Merric，GAM）和起始分数（ Inception Scores）进行评估，结果表明，本文提出的 WIRGAN、 GP-WIRGAN具有良好的稳定性，可以生成高质量的图像。