Para lidar com o problema da queda acentuada na qualidade das imagens geradas quando a quantidade de amostras de treinamento é insuficiente ou o número de iterações é reduzido, foi proposto um algoritmo de rede adversarial generativa convolucional profunda baseado no critério de Fisher aprimorado (FDCGAN). Este método adiciona uma camada linear ao modelo discriminador para extrair informações de classe. Durante a retropropagação, é utilizado um critério restritivo baseado em Fisher, combinando etiquetas e informações de classe, de modo que, ao ajustar os pesos, não só se considera a minimização do erro, mas também se mantém a distância intra-classe pequena e a distância inter-classe grande, permitindo que os pesos se aproximem mais rapidamente do valor ótimo. Por meio de experimentos comparativos com seis modelos de rede diferentes e recentes, o modelo FDCGAN obteve bons resultados no índice FID. Além disso, ao aplicar este método em modelos avançados atuais para testes de generalização, os resultados experimentais foram satisfatórios.

rede adversarial generativa convolucional profunda;critério de Fisher;algoritmo de retropropagação;índice de avaliação FID