本研究提出了Gang of GANs (GoGAN)方法，将WGAN的鉴别器损失推广到基于边界的方法，实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题，并采用一种新的GAN质量测量方式，并在四个视觉数据集上进行了评估，相较于WGAN有了视觉和定量的改进。

Apr, 2017

本文提出了一种使用正则化项的生成对抗网络（GANs）的训练方法，以加强Lipschitz限制约束，该方法通过实验数据验证其有效性。

Sep, 2017

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

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

本文从判别函数最优梯度含义化角度研究生成对抗网络 (GANs) 的收敛性，并表明通过添加 Lipschitz 约束可以消除由于梯度缺乏信息而导致的问题，因此提出了一类名为 Lipschitz GANs (LGANs) 的 GANs，实验证明 LGANs 的样本质量相较于 Wasserstein GANs 更高且更加稳定。

Feb, 2019

本研究提出了一种名为Adversarial Lipschitz Regularization的方法，其可行地利用了显式的Lipschitz惩罚，并在训练Wasserstein GANs时表现出与隐式惩罚相同的性能表现，凸显了Lipschitz 正则化和对抗性训练之间的重要联系。

Jul, 2019

本文提出了一种称为KL-Wasserstein GAN的新的生成对抗网络目标函数，这种方法基于$f$-GANs和Wasserstein GANs的批评家目标的推广，取得了在CIFAR10图像生成方面的新的最优成果。

Oct, 2019

本文针对Wasserstein GAN在现实中实现的不足，提出了一种更加松弛的Sobolev对偶方法，使得优化中的Lipschitz约束不再强制，该方法被命名为Sobolev Wasserstein GAN（SWGAN），实验表明其优于传统方法。

Dec, 2020

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

生成对抗网络（GANs）和Wasserstein GANs之间的关系及其在概率分布估计中的应用进行研究，其中重点研究了维数降低特性、Oracle不等式和Lipschitz函数的近似收敛性。

Mar, 2024