Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) és una variant de xarxa generativa antagònica introduïda per Arjovsky, Chintala i Bottou el 2017 que substitueix la divergència de Jensen-Shannon utilitzada en la GAN original per la distància de Wasserstein-1 (Earth Mover). Aquesta substitució proporciona un objectiu d'entrenament teòricament fonamentat que produeix una optimització més estable i un valor de pèrdua que es correlaciona significativament amb la qualitat de les mostres generades, abordant els notoris problemes de col·lapse de modes i gradient evanescent de les GAN estàndard.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/ca/deep-learning/wasserstein-gan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- CycleGAN: Traducció d'imatges no aparellades amb consistència de cicleAprenentatge profund↔ compare
- Model de difusióAprenentatge profund↔ compare
- Generative Adversarial NetworkAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →