编者按：本文来自微信大众号“量子位”（ID：QbitAI），作者：鱼羊 ，36氪经授权发布。
上看，下看，左看，右看。从各个视点看美食，真是让人越看越饿。
而有个不知道是好消息仍是坏消息的事实是：这些食物从未实在存在过。
不错，这是DeepMind最新推出的LOGAN生成的“伪美食图鉴”。
这只GAN初上台就打败了“史上最强”的BigGAN，成为新的state-of-the-art，还把FID和IS别离提高了32%和17%。
什么概念？简而言之，就是LOGAN能够生成更高质量和更多样化的伪相片。
左面是BigGAN（FID/IS：5.04/126.8），右边是LOGAN（FID/IS：5.09/217）。
相同的低FID条件下，LOGAN可比BigGAN靠谱多了。
△左面是BigGAN，右边是LOGAN
而不考虑FID，在类似的高IS条件下，尽管生成的食物都相同实在，且热量爆破，但显着LOGAN的姿态水平会愈加丰厚。
而且，DeepMind表明：无需引进任何架构改变或其他参数。
潜在优化
DeepMind选用的办法，是引进了一种受CSGAN启示的潜在优化（latent optimisation）。
首要，让潜在变量z，经过生成器和判别器进行前向传达。
然后，用生成器丢失（赤色虚线箭头）的梯度来核算改进的z’。
在第2次前向传达中，运用优化后的z’。这以后，引进潜在优化核算判别器的梯度。
最终，用这些梯度来更新模型。
这一办法的中心，其实是加强判别器和生成器之间的交互来改进对立性。
GAN中根据梯度的优化存在的一个重要问题是，判别器和生成器的丢失发生的矢量场不是梯度矢量场。因而，不能确保梯度下降会找到部分最优解且可循环，这就会减慢收敛速度，或导致形式溃散、形式跳动现象。
辛梯度调理算法（SGA）能够在一般博弈中寻觅安稳不动点，能改进对立中根据梯度的办法的动态性。不过，由于需求核算一切参数的二阶导数，SGA的扩展本钱很高。
潜在优化能够只别离针对潜在变量z和和判别器、生成器参数，运用二阶导数，来到达近似SGA的作用。
如此，就不用运用核算价值昂扬的触及判别器和生成器参数的二阶项。
简而言之，潜在优化最有用地耦合了判别器和生成器的梯度，且更具可扩展性。
而且，LOGAN获益于强壮的优化器。研讨人员运用天然梯度下降（NGD）进行潜在优化时发现，这种近似二阶优化办法比准确二阶办法体现更好。
尽管NGD在高维参数空间中相同价值昂扬，但即便在非常大的模型中，它关于潜在优化也是有用的。
从试验成果来看，潜在优化显着改进了GAN的练习作用。
选用和BigGAN-deep基线相同的架构和参数数量，LOGAN在FID和IS上都有更好的体现。
不过，在练习期间，由于额定的前向和后向传达，LOGAN每一步的速度比BigGAN慢2到3倍。
华人一作领衔
论文一作，是DeepMind的研讨科学家Yan Wu。
他于2019获剑桥大学核算神经科学博士学位，16年进入DeepMind作业。
论文的其他几位作者，别离是结业于UC伯克利的Jeff Donahue博士。
结业于芝加哥大学数学专业的David Balduzzi博士。
Vision Factory创始人Karen Simonyan。
以及伦敦学院大学客座教授、结业于皇后大学的体系神经科学博士Timothy Lillicrap。
传送门：
论文地址：https://arxiv.org/abs/1912.00953
相关论文：
SGA：https://arxiv.org/abs/1802.05642CSGAN：https://arxiv.org/abs/1901.03554
封面图来自pexels
