Wasserstein GAN
提出了一种比传统的 WGAN 更好的 GAN 训练方法,使用正则化替代权重截取,通过惩罚评判器对其输入梯度的范数,可以实现各种 GAN 结构的稳定训练和高质量生成。
Mar, 2017
本论文介绍了生成对抗网络(GAN)模型的数学原理及其训练难度,引入了 Wasserstein GAN,采用一种平滑的度量方法来度量两个概率分布之间的距离,以提高 GAN 的训练效果。
Apr, 2019
本篇论文提出了一种基于随机投影的生成模型,该模型较传统的 GAN 模型更加稳定和精确,采用的 Wasserstein 距离作为度量计算生成样本的真实性,可以得到更准确的生成结果。
Mar, 2018
本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点,重点关注 Sobolev 范数,并在 CIFAR-10 和 CelebA 中展示了性能提升。
Jun, 2018
本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时,各种 GAN 架构的表现,结果表明,带梯度惩罚的 Wasserstein GAN(WGAN-GP)提供了稳定且收敛的 GAN 训练,Wasserstein 距离是衡量训练进展的有效指标。
May, 2017
我们对 Wasserstein GANs 进行了深入的数学分析,发现 WGAN 损失并不是 Wasserstein 距离的一个有意义的近似,而且 Wasserstein 距离对深度生成模型而言不是一个理想的损失函数,Wasserstein GANs 之所以成功,实际上是由于对 Wasserstein 距离的近似失败所致。
Mar, 2021
本文提出了一种创新的方法来强制实现 WGAN 的训练过程中的 Lipschitz 连续性,并与最近的半监督学习方法之一进行了无缝连接,导致不仅产生比以前方法更好的照片真实样本,而且还出现了最新的半监督学习结果,其中我们的方法在仅使用 1,000 个 CIFAR-10 图像时产生了超过 5.0 的 Inception 分数,并且在仅使用 4,000 个标记图像的情况下超过 90%的 CIFAR-10 数据集的精度,是我们所知道的第一个实现此结果的方法。
Mar, 2018
我们引入了 Primal-Dual Wasserstein GAN 作为一种新的学习算法,用于基于最优输运问题的原始和对偶公式建立数据分布的潜在变量模型,同时通过对偶公式训练解码器实现生成模型,通过适当的正则化来保留最优批评者的性质,实现比以前的方法更好的图像生成效果。
May, 2018
提出了第一个设计的量子 Wasserstein 生成对抗网络(WGANs),它已被证明在嘈杂的量子硬件上提高了量子生成模型的鲁棒性和可扩展性,即使是在经典模拟量子系统上也表现出了更为稳健和可扩展的数值性能,实现了一个近似于需要超过 10k 门的标准技术的 3 量子比特 1-d 哈密顿模拟电路的 50 门量子电路的生成。
Oct, 2019
本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法,并在 CIFAR-10 数据集上的实验表明,该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。
Apr, 2020