论文：https://arxiv.org/pdf/1712.01026.pdf

代码：

发表：2018

摘要

在计算机视觉的许多领域中，生成对抗性网络已经取得了巨大的成功，其中WGANs系列被认为是最先进的，主要是由于其理论贡献和竞争的定性表现。然而，通过 Wasserstein-1 度量（W-met）来近似 k-Lipschitz约束是非常具有挑战性的。作者提出了一种新的 Wasserstein 散度（W-div），它是W-met的松弛版本，不需要k-Lipschitz约束。

 公式

是随机噪声

是真数据

是真数据与假数据的线性混合

是两个超参数

再对比一下wgan-gp与wgan-div的目标函数的差异

 

在 WGAN-gp 中，为了满足 1-Lipschitz 约束，训练出好效果，采用了真假数据的插值方法，来模拟全空间的均匀分布 。 WGAN-div 的作者说，这种做法是一种机械性的，很难靠有限的采样，模拟出这种全空间分布。

with a finite number of training iterations on limited input samples, it is very difficult to guarantee the k-Lipschitz constraint for the whole input domain.

算法流程

 超参选择-k,p

作者固定p = 6，测试不同的k，结果为右下角：发现变化不大。FID基本在16附近。

作者固定k = 2，测试不同的p，结果为左下角：发现p=6时取得最优FID数值。 

同时左上角也可以看出wgan-div的收敛速度最快

稳定性实验

4种设置： ResNet,   ResNet without BN,   ConvNet,  ConvNet without BN

实验结果：ResNet 要好于 ConvNet, 有BN 要好于无BN

参考：

1：Wasserstein Divergence for GANs (WGAN-div) 计算W散度 | 莫烦Python 

2：WGAN-div：默默无闻的WGAN填坑者（附开源代码） - 知乎