看这个解析讲的也挺好的：令人拍案叫绝的Wasserstein GAN - 知乎

1、背景

        GAN的训练是delicate和unstable的。需要定义一个连续的距离，来衡量模型distribution和真实distribution之间的差异。

2、贡献

        提出了Wasserstein-GAN，用Earth Mover (EM)距离来衡量分布之间的距离，使得GAN的训练更加稳定：

        1）无须平衡D和G的训练

        2）无须慎重设计网络结构

        3）显著减少了模式坍塌现象

3、常用distance

        1）Total Variation（TV）

                

        2）Kullback-Leibler（KL）

                 

        3）Jensen-Shannon（JS）divergence

                

                               

        4）Earth-Mover（EM）距离 / Wasserstein-1

                

        文章用了大篇幅的理论证明了概率分布在EM distance下是收敛的，而在其他几个distance下是不收敛的。