目录

Abstract

1. Introduction

2. Preliminaries: GANs and diffusion-based generative models

3. Diffusion-GAN: Method and Theoretical Analysis

3.1 Instance noise injection via diffusion

3.2 Adversarial Training

3.3 Adaptive diffffusion

3.4 Theoretical analysis with Examples

3.5 Related work

4 Experiments

4.1 Comparison to state-of-the-art GANs

4.2 Effectiveness of Diffusion-GAN for domain-agnostic augmentation

4.3 Effectiveness of Diffusion-GAN for limited data

5 Conclusion

---

Abstract

生成对抗网络（GANs）的稳定训练具有挑战性，而在鉴别器输入中注入实例噪声的解决方法在实践中还不是很有效。在本文中，我们提出了一种新的GAN框架，它利用一个前向扩散链来产生高斯混合分布的实例噪声。扩散-gan由三个组成部分组成，包括一个自适应扩散过程、一个与扩散时间步长相关的鉴别器和一个发生器。观测数据和生成的数据都通过相同的自适应扩散过程进行扩散。在每个扩散时间步长，有不同的噪声-数据比，时间步长相关的鉴别器学习区分扩散的真实数据和扩散生成的数据。生成器通过前向扩散链的反向传播从鉴别器的反馈中学习，该扩散链的长度被自适应地调整以平衡噪声和数据水平。我们从理论上证明，鉴别器的时间步长依赖策略为生成器提供了一致和有用的指导，使其能够匹配真实的数据分布。我们在不同的数据集上展示了扩散-gan相对于强GAN基线的优势，表明它可以比最先进的GAN产生更真实的图像，稳定性和更高的数据效率。

1. Introduction

2. Preliminaries: GANs and diffusion-based generative models

3. Diffusion-GAN: Method and Theoretical Analysis

为了构造扩散-gan，我们描述了如何通过扩散注入实例噪声，如何通过正向扩散过程的反向传播来训练生成器，以及如何自适应地调整扩散强度。我们进一步提供了一个玩具例子说明的理论分析。

3.1 Instance noise injection via diffusion

3.2 Adversarial Training

3.3 Adaptive diffffusion

3.4 Theoretical analysis with Examples

3.5 Related work

4 Experiments

4.1 Comparison to state-of-the-art GANs

4.2 Effectiveness of Diffusion-GAN for domain-agnostic augmentation

4.3 Effectiveness of Diffusion-GAN for limited data

5 Conclusion

明天读~~~~~~~