具有美学感知能力的GAN的多损失函数混合加权策略

《IEEE Access》：Hybrid Weighting Strategy for Multi-Loss-Function of Aesthetics Aware GAN

　　

摘要：

生成对抗网络（GANs）通过引入多种损失函数得到了广泛扩展，这些损失函数旨在促进生成具有理想特性的图像，而不仅仅是追求真实感。例如，这些特性包括构图平衡和色彩美学。引入多种美学损失函数使得GAN训练成为一个多目标优化问题，其中不恰当的损失权重分配可能会削弱对抗学习效果并影响训练稳定性。为了解决这个问题，我们提出了一种混合损失权重策略，该策略在保持对抗损失的同时动态调整辅助美学目标。具体来说，我们将“三分法则损失”（Rule of Thirds loss）和“色彩丰富度损失”（Colorfulness loss）整合到标准的GAN框架中，并系统地评估了三种权重分配方案：静态权重分配、梯度归一化（GradNorm）和动态权重平均（DWA），包括有锚定和无锚定的变体。在CIFAR-10数据集上的实验表明，以美学为导向的目标能够持续提升图像的美学评分，而不会降低生成质量。此外，所提出的带锚定的动态策略，尤其是结合对抗性锚定的GradNorm，在美学增强、Fréchet Inception Distance（FID）和Inception Score（IS）之间实现了最佳的平衡。这些结果证实，受控的锚定机制对于实现稳定且有效的多目标GAN优化至关重要。