Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) es una variante de red generativa antagónica introducida por Arjovsky, Chintala y Bottou en 2017 que reemplaza la divergencia de Jensen-Shannon utilizada en la GAN original por la distancia de Wasserstein-1 (Earth Mover). Esta sustitución proporciona un objetivo de entrenamiento teóricamente fundamentado que produce una optimización más estable y un valor de pérdida que se correlaciona significativamente con la calidad de la muestra generada, abordando los notorios problemas de colapso de modo y gradiente evanescente de las GAN estándar.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/es/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: Traducción de imagen a imagen no emparejada con consistencia cíclicaAprendizaje profundo↔ compare
- Modelo de difusiónAprendizaje profundo↔ compare
- Red Generativa AntagónicaAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →