Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) je varijanta generativne suparničke mreže koju su 2017. godine predstavili Arjovsky, Chintala i Bottou, a koja zamjenjuje Jensen-Shannonovu divergenciju korištenu u originalnom GAN-u Wassersteinovom-1 (Earth Mover) udaljenošću. Ova zamjena pruža teorijski utemeljenu metodu treniranja koja omogućuje stabilniju optimizaciju i vrijednost gubitka koja se smisleno povezuje s kvalitetom generiranih uzoraka, rješavajući zloglasne probleme kolapsa modova i nestajućih gradijenata standardnih GAN-ova.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/hr/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: Prevođenje slike u sliku bez uparivanja uz konzistentnost ciklusaDuboko učenje↔ compare
- Difuzijski modelDuboko učenje↔ compare
- Generativna suparnička mrežaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →