无需梯度惩罚训练Wasserstein GAN
机器学习
2021-10-28 v1 计算机视觉与模式识别
数值分析
数值分析
摘要
我们提出一种训练Wasserstein生成对抗网络(Wasserstein generative adversarial networks)的稳定方法。为增强稳定性，我们考虑基于最优传输理论中Kantorovich对偶所导出的-变换的两个目标函数。实验表明，该算法能有效强制判别器满足Lipschitz约束，而其他标准方法做不到。因此，我们的方法可对最优判别器以及真实分布与生成分布间的Wasserstein距离给出准确估计。我们的方法无需梯度惩罚及相应超参数调优，且计算上比其他方法更高效。同时，基于MNIST、F-MNIST与CIFAR-10数据集，它产生了具有竞争力的合成图像生成器。
引用
@article{arxiv.2110.14150,
title = {Training Wasserstein GANs without gradient penalties},
author = {Dohyun Kwon and Yeoneung Kim and Guido Montúfar and Insoon Yang},
journal= {arXiv preprint arXiv:2110.14150},
year = {2021}
}