面向 GAN 的 Wasserstein 散度
计算机视觉与模式识别
2018-09-06 v4
摘要
在计算机视觉的许多领域中，生成对抗网络(GANs)已取得巨大成功，其中 Wasserstein GANs(WGANs)家族因理论贡献和具有竞争力的定性性能而被视为最先进的(state-of-the-art)。然而，逼近 Wasserstein-1 度量(W-met)所需的 -Lipschitz 约束非常具有挑战性。本文提出一种新颖的 Wasserstein 散度(W-div)，它是 W-met 的松弛版本，且不需要 -Lipschitz 约束。作为一个具体应用，我们为 GANs 引入了 Wasserstein 散度目标(WGAN-div)，其可通过优化忠实逼近 W-div。在各种设置下(包括渐进式生长训练)，我们展示了所提 WGAN-div 的稳定性，这得益于其相对于 WGANs 的理论与实践优势。此外，我们在计算机视觉的标准图像合成基准上研究了 WGAN-div 的定量与视觉性能，显示出 WGAN-div 优于最先进方法的性能。
引用
@article{arxiv.1712.01026,
title = {Wasserstein Divergence for GANs},
author = {Jiqing Wu and Zhiwu Huang and Janine Thoma and Dinesh Acharya and Luc Van Gool},
journal= {arXiv preprint arXiv:1712.01026},
year = {2018}
}
备注
accepted by eccv_2018, correct minor errors