Wasserstein GAN (WGAN)
Wasserstein GAN (WGAN) é uma variante de rede adversarial generativa introduzida por Arjovsky, Chintala e Bottou em 2017, que substitui a divergência Jensen-Shannon usada na GAN original pela distância de Wasserstein-1 (Earth Mover). Essa substituição fornece um objetivo de treinamento teoricamente fundamentado que resulta em otimização mais estável e um valor de perda que se correlaciona significativamente com a qualidade das amostras geradas, abordando os notórios problemas de colapso de modo e gradiente evanescente das GANs padrão.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), 214–223. link ↗
Como citar esta página
ScholarGate. (2026, June 2). Wasserstein GAN (WGAN). ScholarGate. https://scholargate.app/pt/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: Tradução de Imagens Não Pareadas com Consistência CíclicaAprendizado profundo↔ compare
- Diffusion ModelAprendizado profundo↔ compare
- Rede Adversarial GenerativaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →