生成对抗网络（GAN）强势回归：R3GAN模型大幅简化，训练更加稳定，挑战扩散模型，独特损失函数助力AI社区热议不断

GANs 的复兴：2025 年能否击败扩散模型？

在2025年，生成对抗网络（GAN）是否能够重新崛起并超越扩散模型？答案是肯定的！本周五，AI社区开始讨论一种全新的极简主义GAN。这篇现代版GAN基准论文不仅成为HuggingFace上的热门研究，还入选了NeurIPS 2024。

现代化改造使 GAN 更具竞争力

该研究团队通过引入新的损失函数，解决了以往GAN模式崩溃和不稳定性的问题。他们对StyleGAN2进行了最简升级，并命名为R3GAN。尽管方法简单，但R3GAN在图像生成和数据增强任务上表现优异，超越了所有现有的GAN和扩散模型。

解决传统问题的新方法

研究人员首先通过推导出一个行为良好的正则化相对GAN损失函数，解决了模式dropping和不收敛问题。其次，他们从数学层面分析了这一损失函数，并证明它具有局部收敛保证。这使得GAN可以摆脱经验性tricks，用更现代化的架构进行训练。

R3GAN 的优势

R3GAN通过零中心梯度惩罚增强了RpGAN，提高了训练稳定性。研究表明，梯度惩罚RpGAN与经典GAN享有相同的局部收敛保证。新方法不仅简化了模型设计，还在多个数据集上表现出色，包括FFHQ、ImageNet、CIFAR和Stacked MNIST。

实验结果

研究团队在多个数据集上验证了R3GAN的表现，如StackedMNIST、FFHQ-256、FFHQ-64、CIFAR-10和ImageNet-32/64。结果显示，R3GAN在FID指标上超过了现有模型，并且参数量更小，训练速度更快。

社区反响

这项研究引起了广泛关注，StabilityAI的研究总监也对其给予了高度评价。随着GAN加入现代化元素，它是否能逆袭Stable Diffusion？我们拭目以待。

本文来源： 机器之心【阅读原文】