Improved Training of Wasserstein GANs
Generative Adversarial Networks (GANs) are powerful generative models, but suffer from training instability. The recently proposed Wasserstein GAN (WGAN) makes progress toward stable training of GANs, but sometimes can still generate only low-quality samples or fail to converge. We find that these problems are often due to the use of weight clipping in WGAN to enforce a Lipschitz constraint on the
Wasserstein GAN [arXiv:1701.07875]
概要 Wasserstein GANを読んだ Chainerで実装した はじめに Wasserstein GAN（以下WGAN）はEarth Mover’s Distance（またはWasserstein Distance）を最小化する全く新しいGANの学習方法を提案しています。 実装にあたって事前知識は不要です。 私はEarth Mover’s Distance（EDM）などを事前に調べておきましたが実装に関係ありませんでした。 またRedditのWGANのスレッドにて、GANの考案者であるIan Goodfellow氏や本論文の著者Martin Arjovsky氏が活発に議論を交わしています。 Martin Arjovsky氏の実装がGithubで公開されていますので実装には困らないと思います。 私はChainer 1.20で実装しました。 https://github.com/mus
Wasserstein GAN（WGAN）でいらすとや画像を生成してみる - 緑茶思考ブログ
Wasserstein GAN，略してWGANと呼ばれる Arxiv: https://arxiv.org/abs/1611.02163 著者によるコード: https://github.com/martinarjovsky/WassersteinGAN このWGANを使って以下のようないらすとや画像を生成したというのが本記事の主旨。 本論文のcontribution 確率分布間の距離を計算するための，従来使われてきた距離指標とEarth Mover(EM) distanceとの比較を行った EM distanceの近似関数を最小化するWasserstein-GANを定義した WGANが既存のGANにおける問題を解決することを示した WGANではdiscriminatorとgeneratorの学習バランスを気にしなくて良い ネットワーク構造も気にしなくて良い mode dropping p
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adversarial Networks![[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adversarial Networks](https://cdn-ak-scissors.b.st-hatena.com/image/square/e9d4918754309ad8540a4223903dc20164dd71db/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fwgan-1-170224021826-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
