Banach Wasserstein GAN
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
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
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
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
本文提出了一种新的 Relaxed Wasserstein(RW)距离,通过广义化 Wasserstein-1 距离与 BregmanCost 函数,其所得到的 RW 距离具有良好的统计性能,同时不牺牲计算可行性,与 GANs 框架结合,我们开发了 Relaxed WGANs(RWGANs),在使用启发式方法进行近似的同时不仅在统计上具有灵活性,而且在现实图像上的实验表明,在使用 KL 代价函数下,RWGAN 优于其他竞争方法,例如 WGAN,即使使用梯度惩罚。
May, 2017
本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法,考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量,但在生成模型方面,$c$-transformation 不是表现最好的方法。
Oct, 2019
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