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

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

本文介绍了一种新的Wasserstein GANs模型，可以用更一般的p-Wasserstein度量来改善模型。通过实验，我们发现基于l^q度量的模型可以显著提高模型效果，相比于以往的基于l^2度量的模型。

Feb, 2019

本研究研究生成式对抗网络（GAN）和变分自编码器在分布建模方面的应用，着重研究了可靠性和效率，提出了一种新的距离度量方法：最大切片Wasserstein距离，能够更有效地提高GAN的训练效果。

Apr, 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