簡介
簡介：提出基于熱力學熵增原理的EM-GAN，通過生成器熵最大化約束增強輸出多樣性。引入熵敏感激活函數與特征空間熵計算模塊，在MNIST/CelebA等數據集上實現FID分數提升23.6%，有效緩解模式崩潰問題。
論文題目：Entropy-Maximized Generative Adversarial Network (EM-GAN) Based on the Thermodynamic Principle of Entropy Increase
會議：IIETA
摘要：生成對抗網絡（GANs）在生成高質量數據樣本方面已經顯示出巨大的潛力，最近的研究重點是改進模型不確定性管理和樣本多樣性。 本文提出了一種熵最大化生成對抗網絡（EM-GAN），該網絡利用熵增加的熱力學原理來提高gan的泛化能力和樣
)
