WGAN
现有研究
样本拟合
关于拟合一个样本分布的传统方法是使用另一个概率分布去对其进行拟合,即使用两个分布的KL散度作为损失函数,以此为目标对其不断进行优化。
局限:现实场景下,KL散度不一定存在,在GAN文章中说明了过度依赖KL逆散度会出现模型坍塌的问题。
传统的生成方法认为:利用加入高斯噪声的方法能够cover所有的case。
局限:高斯噪声会降低图像的质量
GAN定义了一个变量z和一个生成函数G(神经网络模型),通过不断优化G的参数 θ \theta θ,使模型能够产生服从于现分布的样本。
局限:不稳定:模型坍塌;不鲁棒:如果设置的参数过大或者过小都会影响性能并且当判别器越来越强的时候,GAN的损失函数就会变成( P r 和 s p a c e P g P_r \space 和\ spaceP_g P