本研究将生成式对抗网络的minimax博弈与一个凸优化问题中的Lagrangian函数的鞍点联系起来，并展示了标准GAN训练过程和凸优化的原始 - 对偶次梯度方法之间的联系。此外，本研究提出了一种新的目标函数来训练模型，以解决模式塌陷和生成多样化的问题。实验结果显示了该方法的有效性。

Feb, 2018

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

我们引入了Primal-Dual Wasserstein GAN作为一种新的学习算法，用于基于最优输运问题的原始和对偶公式建立数据分布的潜在变量模型，同时通过对偶公式训练解码器实现生成模型，通过适当的正则化来保留最优批评者的性质，实现比以前的方法更好的图像生成效果。

May, 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

研究生成敌对网络是一个强大的框架，而文中的研究将GANs应用于简单的线性生成器高斯数据场景下，发现原GAN无法恢复最优PCA解，而Wasserstein GAN可以在样本大小的极限下接近PCA解，因此可能成为一种基于广泛数据设置的最优GAN体系结构的基础。

Feb, 2019

该论文提出了一种新颖的端到端非极小算法，用于训练最优输运映射以逼近Wasserstein-2距离，并使用输入凸神经网络和循环一致性正则化来近似Wasserstein-2距离，解决了流行的熵和二次正则化中存在偏差和高维度缩放问题的不足，并在诸多任务上进行了实验评估。

Sep, 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

本文介绍了区分度对比散度方法，该方法基于 WGANs 的判别器性质和 WGANs 与能量基模型之间的关系，并利用 WGANs 判别器所包含的信息来提高图像生成的质量。我们使用随机梯度的方式实现判别器对样本密度比率的估计，然后在 Langevin 动力学的多个时间步骤中生成样本。在合成数据和实际图像生成基准测试方面，我们证明了这种改进可以显著提高图像生成。

Apr, 2020

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