研究人员引入了一种名为CAT（Cross-scale Aligned Transformer）的新方法，以改进生成对抗网络（GAN）的训练。该技术解决了多阶段GAN中中间输出可能失准的问题，导致不同尺度的样本生成不一致。CAT强制中间输出和最终输出之间的一致性，从而实现更准确、更高效的图像合成。在ImageNet-256上的实验中，CAT在仅60个训练周期后实现了单步推理的FID-50K分数1.56，超越了现有的GAN、扩散和流模型。 AI
影响 这项研究引入了一种新颖的GAN训练方法，提高了样本的一致性和效率，有望带来更好的图像生成模型。
排序理由 该集群包含一篇学术论文，详细介绍了一种新的GAN训练方法，包括基准测试结果。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.26449v1 Announce Type: cross Abstract: Modern GANs often introduce adversarial supervision on intermediate generator outputs and interpret the resulting multi-stage synthesis as coarse-to-fine hierarchical generation. In this work, we challenge this interpretation. We …
Standard GANs with adversarial supervision on intermediate outputs fail to maintain consistent sample trajectories across scales, leading to misalignment; a new transformer-based approach called CAT addresses this by enforcing consistency between intermediate and final outputs.