原始对偶 Wasserstein GAN
机器学习
2018-05-25 v1 机器学习
摘要
我们提出了原始对偶 Wasserstein GAN，这是一种基于最优传输（OT）问题的原始与对偶形式来构建数据分布潜变量模型的新学习算法。我们利用原始形式学习灵活的推断机制，并在数据分布与生成模型之间建立最优近似耦合。为了学习生成模型，我们使用对偶形式，并通过一个由原始得到的近似耦合所正则化的判别网络对解码器进行对抗训练。与以往违反最优判别函数各种性质的方法不同，我们对判别函数梯度的范数与方向进行正则化。我们的模型在模式覆盖与潜变量结构方面具有自编码模型的诸多理想性质，同时避免了它们不理想的平滑化性质，例如在建模真实图像时无法捕捉锐利的视觉特征。我们在 Frechet Inception Distance（FID）与 Inception Scores（IS）上将我们的算法与几种其他利用 Wasserstein 距离的生成建模技术进行了比较。
引用
@article{arxiv.1805.09575,
title = {Primal-Dual Wasserstein GAN},
author = {Mevlana Gemici and Zeynep Akata and Max Welling},
journal= {arXiv preprint arXiv:1805.09575},
year = {2018}
}
备注
14 pages, 16 figures