Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) گونهای از شبکههای مولد تخاصمی است که در سال ۲۰۱۷ توسط Arjovsky، Chintala و Bottou معرفی شد. این روش، واگرایی جنسن-شنون (Jensen-Shannon divergence) مورد استفاده در GAN اصلی را با فاصله Wasserstein-1 (فاصله جابجایی خاک) جایگزین میکند. این جایگزینی یک هدف بهینهسازی با مبنای نظری فراهم میآورد که به بهینهسازی پایدارتر و مقادیر خطایی منجر میشود که با کیفیت نمونههای تولید شده همبستگی معناداری دارند و مشکلات معروف فروپاشی مُد (mode collapse) و محوشدگی گرادیان (vanishing gradient) در GANهای استاندارد را برطرف میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/fa/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.
- سایکلگن (CycleGAN): ترجمه تصویر به تصویر بدون جفت با سازگاری چرخهاییادگیری عمیق↔ compare
- مدل انتشار (Diffusion Model)یادگیری عمیق↔ compare
- شبکه مولد تخاصمییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →