摘要

在生成建模领域，Wasserstein距离（WD）作为一种衡量生成数据分布与真实数据分布之间差异的度量，已展现出重要价值。然而，对于高维分布而言，准确逼近WD仍面临巨大挑战。相比之下，切片Wasserstein距离（SWD）通过将高维分布分解为其多个一维边缘分布，使得其近似变得更加可行。本文提出了一种全新的原始形式与对偶形式SWD的近似方法。与传统SWD近似方法依赖大量随机投影不同，我们提出采用少量参数化正交投影，并以端到端深度学习的方式进行SWD的近似。作为该SWD近似方法的具体应用，我们设计了两类可微分的SWD模块，用于增强现代生成框架——自编码器（AE）与生成对抗网络（GAN）。实验结果表明，所提出的生成模型在标准图像合成基准上展现出显著优势，同时在无监督条件下，于高分辨率图像与视频生成这一极具挑战性的任务中，达到了当前最先进的性能水平。