簡介
簡介：作者針對數據有限場景下GANs訓練中的判別器過擬合問題，提出了CHAIN（Lipschitz連續性約束歸一化）方法。作者首先從理論角度分析了GAN泛化誤差，發現減少判別器權重梯度范數對提升泛化能力至關重要。然后深入研究了批歸一化（BN）在GAN判別器中應用困難的根本原因，通過理論分析證明BN的中心化和縮放步驟會導致梯度爆炸。基于這些發現，CHAIN設計了兩個核心模塊：用零均值正則化替代中心化步驟的0MR模塊，以及帶有Lipschitz約束的自適應均方根歸一化ARMS模塊。CHAIN通過自適應插值機制平衡歸一化和非歸一化特征，有效避免判別器過擬合。實驗表明，CHAIN在CIFAR-10/100、ImageNet以及多個少樣本數據集上達到了最先進的性能，驗證了其在數據受限場景下提升GAN泛化能力的有效性。
論文題目：CHAIN: Enhancing Generalization in Data-Efficient GANs via lipsCHitz continuity constrAIned Normalization
)
