Mar, 2018

改进Wasserstein GAN的训练：一致性损失及其双重效应

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 改进的Wasserstein GANs训练

    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

  • 基于Wasserstein GAN的人脸超分辨率

    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

  • 使用切片瓦瑟斯坦距离进行生成建模

    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

  • Banach Wasserstein GAN

    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

  • Lipschitz生成对抗网络

    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

  • 在$f$-GANs和Wasserstein GANs之间架起桥梁

    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

  • GAN中Wasserstein距离的广义实现

    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

  • Wasserstein GANs的工作原因在于它们未能逼近Wasserstein距离

    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

  • Wasserstein GAN的隐式凸性：具有闭合解的可解释生成模型

    通过凸对偶的方法分析了两层神经网络判别器的Wasserstein GAN的训练，展现了Wasserstein GAN在哪些条件下可以通过凸优化完全解决以及可以被表示为凸凹博弈，证明了这个凸对偶解释的威力，并在CelebA图像生成中用于线性生成器和二次激活判别器的渐进式训练。

    Jul, 2021

  • 基于Wasserstein的普通生成对抗网络

    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