切片瓦瑟斯坦生成模型

在生成建模中，Wasserstein距离（WD）作为一种有用的度量工具，用于衡量生成数据分布与真实数据分布之间的差异。然而，高维分布的Wasserstein距离难以近似计算。相比之下，切片Wasserstein距离（SWD）将高维分布分解为其多个一维边缘分布，因此更容易近似。本文中，我们提出了对原始和对偶切片Wasserstein距离（SWD）的新近似方法。不同于传统SWD近似方法使用大量随机投影的做法，我们建议通过少量参数化的正交投影以端到端的深度学习方式来近似SWD。作为我们SWD近似方法的具体应用，我们设计了两种可微分的SWD模块，以装备现代生成框架——自动编码器（AE）和生成对抗网络（GAN）。在实验中，我们不仅展示了所提出的生成模型在标准图像合成基准上的优越性，还证明了其在无监督条件下处理具有挑战性的高分辨率图像和视频生成任务时达到了最先进的性能。