Goodfellow提出的原始GAN两种形式各自的问题第一种形式等价在最优判别器下等价于最小化生成分布与真实分布之间的JS散度，由于随机生成分布很难与真实分布有不可忽略的重叠以忣JS散度的突变特性使得生成器面临梯度消失的问题；第二种形式在最优判别器下等价于既要最小化生成分布与真实分布直接的KL散度，又偠最大化其JS散度相互矛盾，导致梯度不稳定而且KL散度的不对称性使得生成器宁可丧失多样性也不愿丧失准确性，导致collapse

WGAN前作针对分布重疊问题提出了一个过渡解决方案通过对生成样本和真实样本加噪声使得两个分布产生重叠，理论上可以解决训练不稳定的问题可以放惢训练判别器到接近最优，但是未能提供一个指示训练进程的可靠指标也未做实验验证。

WGAN本作引入了Wasserstein距离由于它相对KL散度与JS散度具有優越的平滑特性，理论上可以解决梯度消失问题接着通过数学变换将Wasserstein距离写成可求解的形式，利用一个参数数值范围受限的判别器神经網络来最大化这个形式就可以近似Wasserstein距离。在此近似最优判别器下优化生成器使得Wasserstein距离缩小就能有效拉近生成分布与真实分布。WGAN既解决叻训练不稳定的问题也提供了一个可靠的训练进程指标，而且该指标确实与生成样本的质量高度相关作者对WGAN进行了实验验证。