3.4 Wasserstein GAN (WGAN) 及其改进 (WGAN-GP)解决训练稳...

文档摘要

3.4 Wasserstein GAN (WGAN) 及其改进 (WGAN-GP)解决训练稳定性与模式崩溃 3.4 Wasserstein GAN (WGAN) 及其改进 (WGAN-GP) 解决训练稳定性与模式崩溃传统的生成对抗网络 (GANs) 在训练过程中经常遇到梯度消失、模式崩溃等问题，导致训练不稳定，生成器无法产生多样化的样本。Wasserstein GAN (WGAN) 及其后续改进 WGAN-GP 提出了一系列解决方案，显著提升了 GAN 的训练稳定性和生成质量。 3.4.1 WGAN 的核心思想 WGAN 的核心在于使用 Wasserstein 距离 (Earth Mover Distance, EMD) 替代传统 GAN 中使用的 JS 散度。