完整注： http://www.gwy lab.com/note-gans.html
——3354——————3354——————335433543354————3——3——3——3333——333333——33333——333333——333——3333——3
本章参考内容：
3359 blog.csdn.net/QQ _ 25737169/article/details/77575617？ 位置编号=1fps=1
2. EBGAN EBGAN的全称是能源基础gan，只是修改了描述符，并不判断输入图像是否来源，而是判断输入图像的重构性是否较高。 具体来说，discriminator本来的目的是寻找和的不同，给画质打分，但现在不是通过寻找不同来打分，而是通过“强记忆”让discriminator只记住你长什么样，任意给自己打分接下来详细介绍。
首先，图中的autoencoder事先在实际图像中进行了训练。 也就是说，如果输入是来自实际数据集的图像，则此自动编码器可以生成与输入非常相似的图像。 但是，如果输入其他图像，则自动编码器的输出与输入不类似。 现在，将该autoencoder放入discriminator，每当discriminator输入image x时，通过该autoencoder得到重构图像x’，将x和x’的差分值作为评价输入图像x的质量好坏的基准差值越低，意味着输入图像越符合实际图像的特征。
由此可见，EBGAN的最大特点是discriminator从一开始就非常强。 因此，生成器从一开始就可以获得相对较大的“能量驱动”(energy based )，从一开始生成器就进步非常快。 所以如果我们喜欢训练效率，想在短时间内得到好的生成器，可以考虑EBGAN。
而且，上面写的太简单了，我重新写了关于EBGAN的详细说明。 【GANs学习笔记】(23 )对EBGAN的深刻理解
3.*从比根比根和比根来看，两者似乎确实有一些关联。 BEGAN的全名是边界均衡GAN (边界均衡GAN )，借鉴了EBGAN和WGAN各自的优点，即使GAN使用简单的网络，也完全不用担心模式崩溃)，具有良好的发展前景
直观地说，两个分布越接近，他们被认为越相似，并且如果生成的数据分布非常接近实际数据分布，则生成器具有足够的生成能力。 作者认为，代替这种估计概率分布的方法，比根并不直接估计生成分布Pg与真实分布Px之间的差，而是估计分布误差分布之间的差，如果分布之间的误差分布接近，则这些分布相近。
在比根，作者作出了以下四项贡献：
1 .提出了一种新的简单强大的GAN网络结构，采用标准训练方式在不训练的情况下训练路线也能快速稳定地收敛
2 .对gan中g、d能力的平衡提出了平衡的概念
3 .提供图像多样性和生成质量平衡的超级参数
提出了仅在WGAN中可见的收敛度估计。
这个包装器偏向于理论，所以不详细介绍。 (逃跑。 感兴趣的读者自己研究，附上非常好的说明博文。
3359 blog.csdn.net/QQ _ 25737169/article/details/77575617？ 位置编号=1fps=1