原始GAN的最小化loss等价于最小化生成器和判别器的JS散度和KL散度,当生成器数据和判别器数据无重叠时或者重叠可忽略时,无论相距多远,JS散度都是常数log2,经公式计算最终导致梯度为0,即梯度消失,Wasserstein距离优越性在于即便两个部分没有重叠,W距离仍能够反映远近。
一句话解释:W距离就是在最优路径规划下把生成拉向真实的最小消耗。
一句话解释WGAN优于原始GAN
最新推荐文章于 2024-04-22 09:40:45 发布
原始GAN的最小化loss等价于最小化生成器和判别器的JS散度和KL散度,当生成器数据和判别器数据无重叠时或者重叠可忽略时,无论相距多远,JS散度都是常数log2,经公式计算最终导致梯度为0,即梯度消失,Wasserstein距离优越性在于即便两个部分没有重叠,W距离仍能够反映远近。
一句话解释:W距离就是在最优路径规划下把生成拉向真实的最小消耗。