WGAN-div：Wasserstein散度在GAN优化中的新视角

"Wasserstein散度和WGAN-div在生成对抗网络(GAN)中的应用与挑战" 在计算机视觉领域，生成对抗网络(GANs)已经成为一个极为重要的工具，尤其在图像合成方面展现了显著的成就。Wasserstein GANs (WGANs)是GANs的一个变种，因其在理论上的进步和实际表现的竞争性而受到广泛关注。WGANs引入了Wasserstein-1距离（W-met）作为优化目标，这个度量对于评估生成数据和真实数据分布之间的差异更为敏感，尤其是在处理低维流形分布时。 然而，实现W-met的一个关键挑战在于维持k-Lipschitz约束，这是计算Wasserstein距离所必需的。这在实践中往往非常困难，可能导致训练的不稳定性。针对这一问题，文中提出了一个新的Wasserstein散度（W-div），这是一种W-met的简化形式，无需强制执行k-Lipschitz约束。 W-div的引入带来了Wasserstein散度目标GANs（WGAN-div）。WGAN-div通过优化过程能更忠实于W-div，从而在训练过程中提供更高的稳定性和准确性。特别是在渐进式增长的训练设置中，WGAN-div展示出了其优势，这种训练策略允许模型逐步增加复杂性，从而更有效地学习高维数据分布。 文中还进行了大量的实验，比较了WGAN-div在标准图像合成基准任务上的定量和定性性能。结果表明，WGAN-div不仅在理论上具有优势，而且在实践中也表现出优于现有先进方法的性能。这验证了W-div作为优化目标的有效性和WGAN-div在GANs训练中的实用性。 这篇论文不仅贡献了一种新的、无需Lipschitz约束的Wasserstein散度计算方法，而且还提出了一种利用这种方法的稳定训练策略——WGAN-div。这些进展为解决GANs训练的稳定性和效果问题提供了新的视角，有望推动生成对抗网络在图像生成和其他相关领域的进一步发展。关键词包括Wasserstein度量、Wasserstein散度、GANs、以及渐进增长训练。