MSGAN

Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis

https://arxiv.org/abs/1903.05628
用于多种图像合成的模式搜索生成对抗网络
https://github.com/HelenMao/MSGAN
https://github.com/tntrung/msgan
Mode Seeking GANs
为了解决模式坍塌这个问题，提出了一个模式搜索正则化项（mode seeking regularization term），以直接最大化G（c，z1）和G（c，z2）之间的距离与z1和z2之间的距离之比。公式如下

BourGAN

本文研究了生成式对抗网络的模式崩溃问题。我们将模态看作度量空间中数据分布的几何结构。在这个几何透镜下，我们将数据集的子样本从任意度量空间嵌入到l2空间，同时保持它们的成对距离分布。这个度规嵌入不仅自动地决定了潜空间的维数，它还使我们能够构造一个混合高斯函数来绘制潜空间的随机向量。我们使用高斯混合模型与一个简单的增广目标函数来训练gan。每一个主要步骤的方法由理论分析,和我们的真实和合成实验样本数据确认发生器能够产生蔓延在大多数的模式,同时避免不必要的样本,优于最近几GAN变异提供新功能的指标和数量。

https://arxiv.org/abs/1805.07674

https://github.com/a554b554/BourGAN/tree/master/src/bourgan

本文解决了生成对抗网络 (GAN) 的模式崩溃问题。我们将模式视为度量空间中数据分布的几何结构。在这个几何镜头下，我们将数据集的子样本从任意度量空间嵌入到 l2 空间，同时保留它们的成对距离分布。这种度量嵌入不仅自动确定潜在空间的维度，还使我们能够构建高斯混合以绘制潜在空间随机向量。我们将高斯混合模型与目标函数的简单增强结合使用来训练 GAN。我们方法的每一个主要步骤都有理论分析的支持，

**InfoMax-GAN: Improved Adversarial Image Generation via Information Maximization and Contrastive Learning

https://papertalk.org/papertalks/27252
https://github.com/kwotsin/mimicry

On Catastrophic Forgetting and Mode Collapse in GANs

https://arxiv.org/abs/1807.04015
https://github.com/htt210/CatastrophicGANCode
关于生成对抗网络中的灾难性遗忘和模式崩溃
在本文中，我们展示了生成对抗网络（GAN）即使在训练以近似单个目标分布时也会遭受灾难性遗忘。我们表明 GAN 训练是一个持续学习问题，其中模型分布的变化序列是判别器的任务序列。序列中任务之间的不匹配程度决定了遗忘的程度。灾难性遗忘与模式崩溃相互关联，并且会使 GAN 的训练不收敛。我们研究了不同 GAN 变体中鉴别器输出的情况，发现当 GAN 收敛到良好的平衡时，真实的训练数据点是鉴别器的宽局部最大值。我们凭经验展示了 GAN 中局部最大值的锐度与模式崩溃和泛化之间的关系。我们展示了灾难性遗忘如何阻止鉴别器使真实数据点成为局部最大值，从而导致不收敛。最后，我们研究了在 GAN 中防止灾难性遗忘的方法。

我们讨论了 GAN 中灾难性遗忘和模式崩溃的原因和动态。我们展示了灾难性遗忘和模式崩溃之间的关系，并研究了这些问题的现有解决方案。我们展示了梯度惩罚有助于鉴别器在空间上分配其容量，而基于动量的优化器帮助鉴别器随时间分布其容量。它们一起有助于防止 GAN 中的灾难性遗忘和模式崩溃
InfoM

MCL-GAN: Generative Adversarial Networks with Multiple Specialized Discriminators

[

](https://github.com/maga33/DSGAN)

Diversity-Sensitive Conditional Generative Adversarial Networks

https://openreview.net/forum?id=rJliMh09F7
https://github.com/yasinyazici/DSGAN-Tensorflow
https://github.com/maga33/DSGAN

Alleviating Mode Collapse in GAN via Pluggable Diversity Penalty Module

DP-GAN: Diversity-Promoting Generative Adversarial Network for Generating Informative and Diversified Text

https://arxiv.org/abs/1802.01345

https://paperswithcode.com/paper/dp-gan-diversity-promoting-generative

GAN-based clustering solution generation and fusion of diffusion

Balanced Self-Paced Learning for Generative Adversarial Clustering Network

K-Means clustering GAN based Fault Diagnosis
Approach for Imbalanced Dataset

Self-Diagnosing GAN: Diagnosing Underrepresented
Samples in Generative Adversarial Networks

Balanced Self-Paced Learning for Generative Adversarial Clustering Network

Label-Removed Generative Adversarial Networks
Incorporating with K-Means

Diverse Image Generation via Self-Conditioned GANs