在近日的一篇论文中，来自阳明交大（NYCU）的研究者提出了一种新的归一化方法——梯度归一化（gradient normalization, GN），该方法旨在解决 GAN 由于陡峭的梯度空间造成的训练不稳定问题。不同于现有的梯度惩罚和谱归一化等方法，梯度归一化方法为判别函数施加了一个硬的 1 - 利普希茨约束，从而提升了判别器的性能。此外，对梯度归一化方法稍加修改，就可以将其用于不同的 GAN 架构。研究者在四个数据集上进行了大量的实验，实验结果表明使用梯度归一化训练的 GAN 在  Frechet Inception 距离（FID）和 Inception Score（IS）两种指标上的性能优于现有的方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除