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

本文介绍一种新的Wasserstein距离(W-div)，并提出了基于此距离的生成对抗网络目标函数(WGAN-div)，该函数可以通过优化准确地近似W-div。实验结果表明，在标准图像合成基准测试中，WGAN-div具有比现有方法更优的性能和稳定性。

Dec, 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

本文研究发现，通过针对特定生成器选择具有强鉴别能力的鉴别器以学习Wasserstein距离下（或者在很多情况下是KL散度下）的分布，一定能以多项式复杂度学习，从而解决了GANs过于简单导致模式严重缺失的问题。

Jun, 2018

本文介绍了一种用于分析生成对抗网络的凸对偶框架，提出在约束条件为凸集时，通过最小化生成模型与经过判别器的数据分布匹配但是被期望的矩所限制的分布的 JS 散度，来得到生成模型。同时，将此框架应用于 f-GAN 和 Wasserstein GAN 网络，提出了一种新的混合 JS 散度和 Wasserstein 距离的分布度量用于正则化中。

Oct, 2018

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

本研究提出了ContraD方法，将对比性表示学习方案融入生成对抗网络鉴别器中，使得生成器以更强的数据增强方式工作而不会增加训练不稳定性，并且在对比学习中也能受益。实验结果表明，GANs with ContraD在FID和IS方面表现更好，还能通过简单的潜在采样诱导许多条件生成模型。

Mar, 2021

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

该论文提出了一种使用多项式调和径向基函数来优化生成对抗网络中鉴别器的方法，进而对数据的潜在空间分布进行建模，并证明在实验验证中，这种方法显着优于传统的鉴别器架构。

Jun, 2023