Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) er en variant av generative adversarial networks (GAN) introdusert av Arjovsky, Chintala og Bottou i 2017, som erstatter Jensen-Shannon-divergensen brukt i den originale GAN med Wasserstein-1-avstanden (Earth Mover distance). Denne substitusjonen gir et teoretisk fundert treningsmål som gir mer stabil optimering og en tapsverdi som korrelerer meningsfullt med kvaliteten på genererte utvalg, og adresserer de notoriske problemene med modus-kollaps og forsvinnende gradienter i standard GAN.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/no/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: Uavhengig bilde-til-bilde-oversettelse med syklisk konsistensDyp læring↔ compare
- DiffusjonsmodellDyp læring↔ compare
- Generativt motsetningsnettverkDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →