简介

简介：作者针对数据有限场景下GANs训练中的判别器过拟合问题，提出了CHAIN（Lipschitz连续性约束归一化）方法。作者首先从理论角度分析了GAN泛化误差，发现减少判别器权重梯度范数对提升泛化能力至关重要。然后深入研究了批归一化（BN）在GAN判别器中应用困难的根本原因，通过理论分析证明BN的中心化和缩放步骤会导致梯度爆炸。基于这些发现，CHAIN设计了两个核心模块：用零均值正则化替代中心化步骤的0MR模块，以及带有Lipschitz约束的自适应均方根归一化ARMS模块。CHAIN通过自适应插值机制平衡归一化和非归一化特征，有效避免判别器过拟合。实验表明，CHAIN在CIFAR-10/100、ImageNet以及多个少样本数据集上达到了最先进的性能，验证了其在数据受限场景下提升GAN泛化能力的有效性。

论文题目：CHAIN: Enhancing Generalization in Data-Efficient GANs via lipsCHitz continuity constrAIned Normalization