¿Qué funciona mejor: Autoencoder Variacional o Redes Adversarias Generativas?

Si quiere decir que funciona mejor, genera resultados de alta calidad. Luego, por supuesto, la Red Adversaria Generativa. La principal ventaja de GAN sobre VAE es que modela implícitamente la función de densidad y, por lo tanto, puede evitar la dificultad presente en los modelos de densidad explícitos (es decir, VAE) para capturar toda la complejidad de los datos que se generarán y al mismo tiempo mantener la capacidad de cálculo computacional.

Otra ventaja es que GAN no requiere límite variacional (L)

Las redes adversas generativas proporcionan resultados mucho más robustos. El trabajo de investigación reciente sobre DCGAN, WGAN ha cambiado la forma en que funcionan las GAN.

Este documento señala una advertencia potencial para la capacitación mejorada del enfoque WGAN. El término de penalización por gradiente solo tiene efecto sobre los puntos muestreados en las líneas que conectan pares de puntos de datos muestreados de la distribución real y la distribución del modelo. Al comienzo del entrenamiento, la continuidad de Lipschitz sobre el múltiple que soporta la distribución real no se aplica porque en la etapa inicial los puntos de datos sintéticos G (z), y por lo tanto los puntos de muestra $ \ hat {x} $, podrían estar muy lejos del múltiple. El autor presenta una solución natural para superar ese problema, que es imponer adicionalmente la condición de continuidad de Lipschitz sobre la variedad que soporta la distribución de datos reales. Este documento mostró que WGAN con un término de coherencia puede generar muestras más nítidas y más realistas que la mayoría de las GAN de última generación. Además, propusieron un marco para la capacitación semi-supervisada que puede capacitar un modelo GAN decente.