OpenAI · 图像模型
OpenAI 发布使用最优传输改进 GAN 的研究
OpenAI 发表了一项关于生成对抗网络 GAN 的改进研究，引入最优传输理论来提升生成质量与训练稳定性。该方法通过优化生成分布与真实分布之间的传输成本，缓解了传统 GAN 中模式崩塌和不收敛的问题。实验表明，基于最优传输的 GAN 在图像生成任务中能够产生更多样且高保真的样本，为生成模型的训练提供了新的理论视角。
- 域名
openai.com- 评分
- 5 · 重大发布
- 发布
- 2026-05-24
导读
OT-GAN 是 OpenAI 在 2018 年 3 月发表的生成对抗网络改进研究，作者 Tim Salimans、Han Zhang、Alec Radford、Dimitris Metaxas。论文 arXiv 编号 1803.05573。论文提出一种新的距离度量 mini-batch energy distance，把 optimal transport 的 primal form 与对抗学习得到的特征空间中的 energy distance 结合，构造出一个判别力强、且在 mini-batch 上具有 unbiased 梯度的距离函数。
这种构造解决了原始 GAN 训练中两个长期痛点：基于 batch 的判别器距离估计有偏，以及大 mini-batch 训练时梯度信号不稳。OT-GAN 在大 mini-batch 设置下表现出显著的训练稳定性，对模式崩塌、训练发散等问题有明显缓解。论文给出的图像生成实验在多个公开基准上取得了当时的 state-of-the-art 结果。
从理论视角看，这项工作把最优传输引入生成模型训练，把判别器的特征空间作为传输代价的基础，相当于让两套表示学习目标互相补强。这一思路后续在多种生成模型中被借鉴，与扩散模型、flow-based 模型形成不同流派的对照。OT-GAN 是 GAN 训练理论框架走向更稳健形态的代表性工作之一。