梯度懲罰優(yōu)化的圖像循環(huán)生成對(duì)抗網(wǎng)絡(luò)模型

　　通常情形下，現(xiàn)有的圖像生成模型都采用單次前向傳播的方式生成圖像，但實(shí)際中，畫家通常是反復(fù)修改后才完成一幅畫作的;生成對(duì)抗模型（ Generative Adversarial Networks，GAN）能生成圖像，但卻很難訓(xùn)練。在保證生成圖像質(zhì)量的前提下，效仿作畫時(shí)的不斷更新迭代，以提升生成樣本多樣性并增強(qiáng)樣本語(yǔ)義，同時(shí)引入 Wasserstein距離，提岀了 Wasserstein圖像循環(huán)生成對(duì)抗網(wǎng)絡(luò)模型，簡(jiǎn)稱 WIRGAN（ Wasserstein Image Recurrent GenerativeAdversarial Networks Model）/ WIRGAN定義了生成模型和判別模型，其中，生成模型是由一系列結(jié)構(gòu)相同的神經(jīng)網(wǎng)絡(luò)模型組成的循環(huán)結(jié)構(gòu)，用時(shí)間步驟控制生成模型的循環(huán)次數(shù)，用于迭代式生成圖像，并以最后一個(gè)循環(huán)結(jié)構(gòu)的生成圖像作為整個(gè)生成模型的輸出;判別模型也由神經(jīng)網(wǎng)絡(luò)構(gòu)建，結(jié)合權(quán)重剪枝技術(shù)，用來(lái)判別輸入圖像是生成的還是真實(shí)的。 WIRGAN利用 Wasserstein距離作為目標(biāo)函數(shù)，將生成模型和判別模型進(jìn)行博弈對(duì)抗訓(xùn)練。另外，由于模型存在難以優(yōu)化的問(wèn)題，本文引入了梯度罰來(lái)解決此類問(wèn)題，進(jìn)一步提出了梯度懲罰優(yōu)化的 Wasserstein圖像循環(huán)生成對(duì)抗網(wǎng)絡(luò)模型（ Gradient Penalty Optimized Wasserstein Image Recurrent Generative AdversarialNetworks model， GP-WIRGAN）。最后， WIRGAN和 GPWIRGAN在 MNIST、 CIFAR10、CeUN四個(gè)數(shù)據(jù)集上進(jìn)行了基礎(chǔ)學(xué)習(xí)能力、模型間GAM自比較、模型內(nèi)GAM臼較、初始得分比較、圖像生成可視化、時(shí)間效率比較等6組實(shí)驗(yàn)，采用生成對(duì)抗矩陣（ Generative Adversarial Merric，GAM）和起始分?jǐn)?shù)（ Inception Scores）進(jìn)行評(píng)估，結(jié)果表明，本文提出的 WIRGAN、 GP-WIRGAN具有良好的穩(wěn)定性，可以生成高質(zhì)量的圖像。