简介
简介：提出基于热力学熵增原理的EM-GAN，通过生成器熵最大化约束增强输出多样性。引入熵敏感激活函数与特征空间熵计算模块，在MNIST/CelebA等数据集上实现FID分数提升23.6%，有效缓解模式崩溃问题。
论文题目：Entropy-Maximized Generative Adversarial Network (EM-GAN) Based on the Thermodynamic Principle of Entropy Increase
会议：IIETA
摘要：生成对抗网络（GANs）在生成高质量数据样本方面已经显示出巨大的潜力，最近的研究重点是改进模型不确定性管理和样本多样性。 本文提出了一种熵最大化生成对抗网络（EM-GAN），该网络利用熵增加的热力学原理来提高gan的泛化能力和样
)
