这个可解释性问题是 Wasserstein GAN 旨在解决的问题之一。怎么样？GAN 可被解释以最小化 Jensen-Shannon 发散，如果真和假的分布不重叠（通常是这种情况），则它为 0。所以，作者使用了 Wasserstein 距离，开奖，而不是最小化 JS 发散，它描述了从一个分布到另一个分布的「点」之间的距离。这大概是其主要思想，但如果你想了解更多，我强烈建议你访问这一链接（）进行更深入的分析或阅读文章本身。

因此，WassGAN 具有与图像质量相关的损失函数并能够实现收敛。它也更加稳定，也就意味着它不依赖于架构。例如，即使你去掉批处理归一化或尝试奇怪的架构，它也能很好地工作。

这是 WassGAN 损失函数的图。损失越低，图像质量越高。整齐！

你也许想要使用 Wasserstein GAN，如果：

你正在寻找具有最高训练稳定性的最先进的 GAN。

你想要一个有信息量的可解释的损失函数。

结语

所以，现在就是这些！我知道还有更有趣的研究去评论，但在这篇文章中，我决定专注于一个有限的集合。只是举几个例子，下面是一些我没有评论的文章的简短列表，也许你想去看看：

GAN 应用于视频：https://github.com/SKTBrain/DiscoGAN

图像完成：https://arxiv.org/abs/1609.04802

GAN + 可变性 AutoEncoder 混合：https://github.com/junyanz/iGAN

向 GAN 添加一个编码器以重建样本：https://phillipi.github.io/pix2pix/

图像到图像的翻译：https://ishmaelbelghazi.github.io/ALI/

交互式图像生成：https://arxiv.org/abs/1512.09300

使用 GAN 增加图像质量：https://bamos.github.io/2016/08/09/deep-completion/

将鞋子变成等价的包（DiscoGAN）：

　　更广泛的研究列表，请查看此链接：https://github.com/zhangqianhui/AdversarialNetsPapers。

　　此外，在这个 repo（https://github.com/wiseodd/generative-models）中，你会发现 Tensorflow 和 Torch 中的各种 GAN 实现。

　　最后，机器之心所关注的GAN文章列表：

　　原文地址：

　　本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]