使用最优传输改进 GANs

OpenAI Blog 论文
gans optimal-transport generative-models image-generation machine-learning

摘要

OT-GAN 提出了一种新颖的 GAN 变体，在对抗学习的特征空间中结合最优传输和能量距离，以提高训练稳定性和图像生成质量。该方法在基准问题上展示了最先进的结果，使用大批量数据实现了稳定的训练。

暂无内容
查看原文
查看缓存全文

缓存时间: 2026/04/20 14:55

# 使用最优传输改进 GAN 来源：https://openai.com/index/improving-gans-using-optimal-transport/ ## 摘要 我们提出了最优传输生成对抗网络（OT-GAN），这是生成对抗网络的一个变体，它最小化一个衡量生成器分布与数据分布之间距离的新度量。这个度量被称为小批量能量距离，它将原始形式的最优传输与在对抗学习特征空间中定义的能量距离相结合，从而产生了一个具有高度判别性的距离函数，且具有无偏的小批量梯度。实验表明，OT-GAN 在使用大小批量进行训练时具有高度稳定性，并在多个流行的图像生成基准问题上取得了最先进的结果。

相似文章

SAOT：基于结构感知最优传输的自监督持续图学习

arXiv cs.LG

提出SAOT，一种用于自监督持续图学习的结构感知最优传输框架，能够跨任务保留关系结构。在多个基准测试中相较于现有最佳方法取得了显著性能提升，其中在Products-CL上改进幅度高达15%。

跨尺度对齐监督训练GANs

Hugging Face Daily Papers

本文提出CAT，一种跨尺度对齐变换器，通过强制中间GAN输出与最终输出之间的一致性来解决轨迹错位问题，在ImageNet-256上实现了1.56的最优FID。

一个基于最优传输理论的在线增量学习潜在空间培育方法

Hugging Face Daily Papers

本文介绍了MMOT，一种基于最优传输理论的在线混合模型学习框架，通过动态质心更新和改进的类别相似性估计来应对分布漂移下的增量学习。该方法包含一种动态保持策略，用于缓解灾难性遗忘并在潜在空间中维持类别可分离性。