Wasserstein GAN (WGAN)
Le Wasserstein GAN (WGAN) est une variante de réseau antagoniste génératif introduite par Arjovsky, Chintala et Bottou en 2017, qui remplace la divergence de Jensen-Shannon utilisée dans le GAN original par la distance de Wasserstein-1 (transport de terre). Cette substitution fournit un objectif d'entraînement théoriquement fondé qui permet une optimisation plus stable et une valeur de perte qui corrèle de manière significative avec la qualité des échantillons générés, résolvant ainsi les problèmes notoires d'effondrement de mode et de gradient évanescent des GAN standard.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/fr/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 : traduction d'images sans appariement par cohérence cycliqueApprentissage profond↔ compare
- Modèle de diffusionApprentissage profond↔ compare
- Réseau antagoniste génératifApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →