基于切片 Wasserstein 距离的 generative modeling
计算机视觉与模式识别
2018-03-30 v1
摘要
生成对抗网络（GAN）在从给定样本建模分布方面非常成功，即便在高维情形中也是如此。然而，其形式已知难以优化且通常不稳定。尽管早期 GAN 形式尤其如此，但在改善稳定性方面已取得显著的以经验为动机且有理论基础的进展，例如，通过使用 Wasserstein 距离而非 Jenson-Shannon 散度。在此，我们考虑一种基于随机投影的生成建模替代形式，其最简单形式产生单一目标而非鞍点形式。通过用判别器增强该方法，我们提升了其精度。我们发现，与即便改进过的 Wasserstein GAN 相比，我们的方法显著更稳定。此外，不同于传统 GAN 损失，我们方法中表述的损失是分布间实际距离的良好度量，并且我们在 GAN 训练中首次能够给出该距离的估计。
引用
@article{arxiv.1803.11188,
title = {Generative Modeling using the Sliced Wasserstein Distance},
author = {Ishan Deshpande and Ziyu Zhang and Alexander Schwing},
journal= {arXiv preprint arXiv:1803.11188},
year = {2018}
}
备注
Accepted to CVPR 2018