Banach Wasserstein GAN
计算机视觉与模式识别
2019-01-14 v2 机器学习
泛函分析
摘要
Wasserstein生成对抗网络(WGANs)可用于从复杂的图像分布中生成逼真样本。WGANs中使用的Wasserstein度量基于单幅图像之间的距离概念，由此诱导出图像概率分布之间的距离概念。迄今为止，学界一直将作为底层距离。我们将带梯度惩罚的WGAN理论推广到Banach空间，使实践者能够选择生成器中需强调的特征。我们进一步讨论了某些特定底层范数选择的影响，重点关注Sobolev范数。最后，我们在CIFAR-10和CelebA上展示了适当选择范数所带来的性能提升。
引用
@article{arxiv.1806.06621,
title = {Banach Wasserstein GAN},
author = {Jonas Adler and Sebastian Lunz},
journal= {arXiv preprint arXiv:1806.06621},
year = {2019}
}
备注
In NeurIPS2018. 10 pages, 9 page appendix