判别器最优传输

在一大类生成对抗网络中，我们证明了判别器优化过程增大了目标分布 $p$ 与生成器分布 $p_G$ 之间 Wasserstein 距离的 dual 代价函数的一个下界。这意味着训练后的判别器可以近似从 $p_G$ 到 $p$ 的最优传输（OT）。基于若干实验与一点 OT 理论，我们提出了一种判别器最优传输（DOT）方案以改进生成图像。我们表明，在由 CIFAR-10、STL-10 训练的无条件 GAN 以及由 ImageNet 训练的公开预训练条件 GAN 模型上，该方案提升了 inception score 与 FID。