这篇论文提出了一种叫做 r3gan （读作 "re-gan"）的 gan 基准模型。 R3GAN 综合使用了 RpGAN 损失函数和特殊的梯度惩罚 ( Gradient Penalty , GP) 损失函数，并基于前沿卷积网络 ConvNeXt 重新设计了一套 GAN 网络。

2025年1月9日 · First, we derive a well-behaved regularized relativistic GAN loss that addresses issues of mode dropping and non-convergence that were previously tackled via a bag of ad-hoc tricks. We analyze our loss mathematically and prove that it admits local convergence guarantees, unlike most existing relativistic losses.

首先，我们提出了一种新的目标函数，该目标函数通过零中心梯度惩罚增强了相对论配对gan损失（rpgan），从而提高了稳定性。我们从数学上证明了，梯度惩罚的rpgan与正则化经典gan具有相同的局部收敛保证，而去掉我们的正则化方案则会导致不收敛。

2025年1月13日 · The GAN is dead; long live the GAN! A Modern Baseline GAN 方法： 本文通过提出一种改进的正则化相对论GAN损失函数，旨在解决GAN训练中的模式丢失和不收敛问题，并提供局部收敛性保证，从而为现代GAN架构的简化和现代化奠定基础，最终显著超越了现有的最先进 …

2025年1月13日 · 本文提出了一种简化的生成对抗网络（GAN）架构，旨在阐明图像生成任务中 GAN 的最小必要组件。 通过引入一个表现良好的正则化相对 GAN （RpGAN）损失函数，解决了模式崩溃和非收敛问题，从而避免了使用一系列专门的技巧。 该损失函数具有数学上证明的局部收敛性。 在此基础上，本文剥离了 StyleGAN 的所有特性，识别并保留了其核心组件，同时引入现代网络架构的改进，构建了一个简单而高效的 GAN 基线。 实验结果表明，该简化模型在保持输 …

2025年1月11日 · 沉寂许久的gan最近来了个大的，布朗大学＆康奈尔大学的研究者提出了一种——r3gan（re-gan），引入了全新的正则化相对性损失函数，充分利用了现代架构设计，一半参数就能碾压扩散模型！

2025年1月13日 · 最近，布朗大学与康奈尔大学的研究团队在arXiv上发表的论文《The GAN is dead; long live the GAN! A Modern Baseline GAN》，提出了R3GAN（Re-GAN），不仅简化了GAN的架构，更在多个数据集上取得了超越StyleGAN2与扩散模型的卓越性能。

2025年1月22日 · R3GAN combines the RpGAN loss and a special gradient penalty (GP) loss, and redesigns the GAN architecture based on the state-of-the-art convolutional network ConvNeXt. Experiments show that R3GAN achieves FID scores comparable to those of diffusion models on FFHQ and low-resolution ImageNet image generation.

First, we derive a well-behaved regularized relativistic GAN loss that addresses issues of mode dropping and non-convergence that were previously tackled via a bag of ad-hoc tricks. We analyze our loss mathematically and prove that it admits local convergence guarantees, unlike most existing relativistic losses.

First, we derive a well-behaved regularized relativistic GAN loss that addresses issues of mode dropping and non-convergence that were previously tackled via a bag of ad-hoc tricks. We analyze our loss mathematically and prove that it admits local convergence guarantees, unlike most existing relativistic losses.