iPAS 考題解析在使用生成對抗網路（GAN）進行人臉影像生成時，若出現「模式崩潰（Mode Collapse）」現象，下列哪一種方法最常被用來有效解決此問題？

解析

正確答案：B. 採用Wasserstein距離（WGAN損失）替代原始的GAN損失函數

WGAN（Wasserstein GAN）使用Earth Mover距離取代JS散度作為訓練損失，提供更平滑的梯度信號，有效緩解訓練不穩定和模式崩潰問題，是目前最常見的解決方案之一。

每個選項為什麼對或錯

• A 在鑑別器中加入梯度懲罰（Gradient Penalty）以穩定訓練過程 錯誤選項

  梯度懲罰（WGAN-GP）是WGAN的改進版，同樣有效，但核心是WGAN的損失函數改進。

• B 採用Wasserstein距離（WGAN損失）替代原始的GAN損失函數 正解

  WGAN損失函數改變了訓練目標，提供更穩定梯度，是解決模式崩潰最常見且直接的方法。

• C 對生成器輸入的潛在向量加入隨機擾動 錯誤選項

  對潛在向量加入擾動是一種增加多樣性的技巧，但並非解決模式崩潰的主流方法。

• D 使用多尺度鑑別器架構以提高對多樣性的判別能力 錯誤選項

  多尺度鑑別器可提升生成品質，但針對模式崩潰的效果不如WGAN直接。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。