论文：https://arxiv.org/abs/1606.03498
代码：https://github.com/openai/improved_gan
发表：NIPS 2016
一、文章创新
1：Feature matching：特征匹配通过为生成器指定新目标来解决GANs的不稳定性，从而防止其在当前鉴别器上过度训练。以前是直接最大化鉴别器的输出。现在是要求生成器生成的数据要能匹配真实数据的统计信息。具体来说，生成网络产生的图片经过判别网络后的中间层的feature 和真实图片经过判别网络的feature尽可能相同。判别网络仍按照原来的方式训练。
2：Minibatch discrimination： 文章指出，GAN很容易导致模式坍塌（mode collapse），也即生成器生成的结果单一（或者说不管随机变量z输入什么，输出的结果都一样）。这是因为辨别器在辨别的时候是对单个样本进行辨别（对每个输入均给出一个0-1的分数），没有考虑样本之间的关系，所以容易造成模式坍塌。
这块理解不是很透彻，可以参考：ImprovedGAN：Improved Techniques for Training GANs - 知乎
3：Historical averaging：
生成器和辨别器的损失加上一项。其实就是对模型进一段时刻内的参数做了个平均，防止模型的参数变化太过剧烈。
4：One-sided label smoothing：
标签平滑(label smoothing)方法最开始在1980s就提出过，它在分类问题上具有非常广泛的应用，主要是为了解决过拟合问题。这个方法是将分类器的判别结果0和1替换为平滑值：如0.1和0.9，标签平滑可以减少神经网络对对抗样本的脆弱性。
为什要单侧？
参考1：GAN的优化（七）：几个训练小技巧 - 知乎
参考2： 对抗生成网络GANs的一些见解(二)_单侧标签平滑 gan-CSDN博客
具体怎么实现？
5：Virtual batch normalization：
DCGAN使用了BN，取得了不错的效果。但是BN有个缺点，即BN会时G网络生成一个batch的图片中，每张图片都有相关联（如，一个batch中的图片都有比较多的绿色）。
了避免这个问题，作者提出了一种新的bn方法，叫做virtual batch normalization。首先从训练集中拿出一个batch在训练开始前固定起来，算出这个特定batch的均值和方差，进行更新训练中的其他batch。VBN的缺点也显而易见，就是需要更新两份参数，比较耗时。
