Wasserstein 敵対的生成ネットワークいくつかの利点があります:

• ジェネレーターとディスクリミネーターのトレーニング度のバランスを注意深く調整せずに、GAN トレーニングが不安定になるという問題を解決します。
• 基本的には崩壊モードの問題を解決し、生成されるサンプルの多様性を確保します。
• トレーニングプロセス中に、トレーニングプロセスを表すクロスエントロピーや精度などの数値が存在します。値が小さいほど、GANはより適切にトレーニングされ、ジェネレーターによって生成される画像の品質が高くなります。
• 複雑なネットワーク アーキテクチャは必要なく、最も単純な完全に接続されたネットワークだけで十分です。

GAN と比較すると、Wasserstein GAN には次のような違いがあります。

• 弁別器の最後の層はシグモイドをキャンセルします。
• ジェネレーターとディスクリミネーターの損失は Log を必要としません。
• 弁別器のパラメータが更新されるたびに、その絶対値は固定定数 c 未満で切り捨てられます。

関連ワード：GAN