starGAN知识小结

最新推荐文章于 2024-07-10 19:54:46 发布
最新推荐文章于 2024-07-10 19:54:46 发布
阅读量2.2k 收藏 8
点赞数
分类专栏： 知识梳理 AI 文章标签： GAN starGAN 机器学习 对抗网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AndyViky/article/details/90204221
版权
starGAN是一种解决multi-domain图像到图像转换的高效模型，对比传统方法，它只需要一个生成器就能实现不同领域的转换。通过对抗性损失、领域分类损失和重构损失，确保转换效果和真实感。在多数据集训练中，利用mask向量区分不同数据源。
摘要由CSDN通过智能技术生成

starGAN知识小结

本文为阅读完starGAN论文后作出的系统小结。论文地址

starGAN顾名思义就是星型GAN结构，其解决的主要问题为 multi-domain 的 image-to-image 转换。相比于传统的拥有 k 个 domain 的多领域图片转换需要训练 k(k-1) 个 generator ，效率极其低下，也无法充分地利用到训练数据，同时传统的解决方法也无法衔接多个数据集的 domains。基于上述问题，starGAN 被提出，starGAN 的基本思想为将 inputImage 和 target domain (一般为随机产生，使用binary 或者 one-hot vector 表示)一起作为 Generator 的输入得到 fakeImage，再将 fakeImage 和 origin domain 的值作为同一个 Generator 的输入得到 reconstructed image ，starGAN 希望的是 reconstructed image 和 inputImage 之间越接近越好。
下图为传统方法与 starGAN 的结构对比图，由图可以看出，starGAN 只需要训练一个Generator。
starGAN结构图
下图为 starGAN 训练详细结构图，由图看出 Discriminator 不仅需要判断 fakeImage 的真伪还需要判断出 fakeImage 所处于的 domain。<

最低0.47元/天 解锁文章
AndyViky
关注
专栏目录
生成式对抗网络GAN基础总结
程序员光剑
08-08 824
GAN（Generative Adversarial Network）是近年来火遍全球的一种深度学习方法，它可以生成高质量的图像，比如手绘风格的图片或动漫人物皮肤。GAN的基本思想是通过一个生成器（Generator）和一个判别器（Discriminator），两个网络分别学习互相竞争的策略，使得生成器不断提升自我生成能力，而判别器则需要最大程度地欺骗生成器。因此，两者之间形成了一种博弈关系，最终达到一个平衡点。什么是生成器？它是由一个网络结构、参数、损失函数组成的机器学习模型。
StarGAN-v2
02-15
StarGAN-v2 客观的： 为了训练单个生成器G，其生成与给定图像x相对应的每个域y的不同图像。 本文中使用的技术术语： 多样的图像：每次给定源图像和域时都产生不同的图像。 （StarGAN的缺点） 域：一组图像，形成视觉上独特的类别。 例如：一个人的性别 样式：每个图像的唯一外观。 例如：发型，化妆等。 潜在空间：一个空间，在该空间上表示压缩数据以删除无关的信息并找到两个数据点之间的基本相似性。 。 阅读更多 网络尝试在每个域的学习样式空间中生成特定于域的样式矢量，并训练G在输出图像中反映这些矢量 网络组成 生成器G ：获取输入图像x和样式代码s以生成输出图像。 样式代码消除了将图像的域提供给G的需求，从而允许G生成所有域的图像。 s旨在表示特定域y的样式，从而消除了向G提供y并允许tit合成所有域图像的必要性。 映射网络F ：获取域（ y ）和潜在代码z （高斯噪声）以
【生成对抗网络】starGAN 详细解读
热门推荐
__阿健__的博客
02-28 1万+
starGAN 是 Yunjey Choi 等人于17年11月提出的一个模型。该模型可以实现 图像的多域间的迁移（作者在论文中具体应用于人脸属性的转换）。
论文学习 StarGANv2 ——StarGAN v2: Diverse Image Synthesis for Multiple Domains
最新发布
qq_53536373的博客
07-10 1090
最后但并非最不重要的一点是，我们提出了一个新的动物人脸数据集（AFHQ），具有高质量和广泛变化（附录 A），以更好地评估图像到图像转换模型在大的域间和域内差异上的性能。给定一个潜在代码 z 和一个域 y，我们的映射网络 F 生成一个样式代码 = Fy (z)，其中 Fy (·) 表示对应于域 y 的 F 的输出。我们的生成器 G 将输入图像 x 转换为输出图像 G(x, s)，反映特定领域的样式代码 s，由映射网络 F 或样式编码器 E 提供。这里，Ey (·) 表示对应于域 y 的 E 的输出。
stargan论文解读
m0_52122736的博客
03-31 1240
1，论文题目 2，内容简介 3，论文背景 图像到图像的风格转化，在这之前就有比较出名的cyclegan。那么之后为什么会有stargan的发现呢？stargan的出发点又有什么不同呢？ 为了回答这个问题，我们先介绍cyclegan cyclegan能做把图片的斑马变成马，实现简单的风格迁移 cyclegan能实现简单的两个图像间的风格转移。那么问题来了. 当我有一个目标图像，想把他转换为N种风格，那我是不是得有N个cyclegan得模型呢？我们能不能用一种模型来实现目标图像的多种风格转化呢？
StarGAN
jialibang的博客
07-31 3133
转载自：http://www.360doc.com/content/18/0731/15/58279403_774675555.shtml Abstract&amp;Introduction Existing approaches have limited scalability and robustness in handling more than two domains, since d...
升级版StarGAN来袭！你想要的多目标域多风格图像变换它都有
Paper weekly
12-25 2489
近期 NVIDIA 发布的 StyleGAN2 对于 GAN 用于图像生成又推进了一把，同时也是赚足了眼球，然而同期下另一篇图像翻译任务下的改进版模型却显得有点默默无闻了，这就是今天我们...
一堆Deep 生成模型：starGAN, UNIT, MUNIT,PWCT，DIRTGAN
fu6543210的博客
01-10 1735
参考：https://blog.csdn.net/ikerpeng/article/details/81322553           https://www.cnblogs.com/SuperLab/p/9837664.html 下面要介绍的这几种生成模型，主要集中在两种任务当中。一种是风格转换，另一种是跨域数据之间的转换（Cross-Domain Image-to-image）。使用的网...
GAN网络
yang_daxia的博客
11-18 492
1、入门 https://easyai.tech/blog/generative-adversarial-networks-gans-a-beginners-guide/ 包含生成器和判别器。 生成器用于生成假图片，判别器用于判断判断图片是真的，还是生成的。 所以生成器和判别器需要交叉训练 代码：https://github.com/eriklindernoren/Keras-GAN ...
stargan-v2:StarGAN v2-官方PyTorch实施（CVPR 2020）
05-12
StarGAN v2-官方PyTorch实施 StarGAN v2：多个域的多样化图像合成*，* *，*，在CVPR 2020中。（*表示相等的贡献） 论文： : 视频： ： 摘要：良好的图像到图像转换模型应学习不同视觉域之间的映射，同时满足以下属性：1）生成图像的多样性和2）在多个域上的可伸缩性。 现有方法解决了其中一个问题，即对于所有域而言，其多样性有限或具有多个模型。 我们提出了StarGAN v2，这是一个可以同时解决这两个问题的框架，并且在基线之上显示出明显改善的结果。 在CelebA-HQ和新的动物面Kong数据集（AFHQ）上进行的实验验证了我们在视觉质量，多样性和可伸缩性方面的优越性。 为了更好地评估图像到图像的翻译模型，我们发布了AFHQ，具有较大域间和域内差异的高质量动物脸。 代码，预训练模型和数据集可在clovaai / stargan-v2中找到。 宣
starganv2-vc.github.io
03-31
starganv2-vc.github.io
浅谈StarGAN
qq_35914625的博客
10-18 4992
浅谈StarGAN前言github论文StarGANStarGAN优势StarGan loss对抗损失域分类损失(cls)重建损失(rec)完整的损失StarGAN具体实现generator生成器discriminator鉴别器loss计算训练 前言 今天我们来聊下StarGAN。 github 论文 StarGAN StarGAN StarGAN的引入是为了解决多领域间的转换问题的，之前的CycleGAN等只能解决两个领域之间的转换，那么对于含有C个领域转换而言，需要学习C*(C-1)个模型，但Star
StarGAN论文
找工作青年
05-15 1111
目录一览摘要1.介绍术语解释数据集一对一图像转换的不足针对以上不足的StarGAN优势论文的贡献2.相关基础知识生成式对抗网络GAN条件生成式对抗网络CGAN图像翻译3.StarGAN3.1多域单数据集的图像翻译对抗损失(adv)域分类损失(cls)重建损失(rec)完整的损失3.2多域多数据集的图像翻译掩码向量mask vector训练策略4.操作GAN改进(梯度惩罚的对抗损失)网络结构5.实验5.1Baseline Models5.2数据集CelebARaFD5.3训练5.4在CelebA的训练结果5.
（六）starGAN论文笔记与实战
SCU-JJkinging的博客
07-31 1379
三、完整代码 import argparse import torch import torchvision import os import numpy as np import time import itertools import datetime import torchvision.transforms as transforms from torchvision.utils import save_image from torch.utils.data import DataLoader,
对抗生成网络学习（十五）——starGAN实现人脸属性修改(tensorflow实现)
QQ704630835的博客
05-31 6937
一、背景 最近事情比较多，一个多月没写CSDN了，最近打算做一做satrGAN。 starGAN是Yunjey Choi等人于17年11月提出的一个模型[1]。该模型可以实现人脸的属性修改，原理上来说就是域迁移，之前cycleGAN本质上也是域迁移，不过cycyleGAN是单个域，而starGAN则是多个域。 本实验所采用的数据集为CelebA（原论文中作者还使用了数据集RaFD），之前也介...
StarGANv2
weixin_45685184的博客
03-19 1237
v1和v2的差异 v1中对于domain和attribute的定义 attribute：图像本身显而易见的特征，例如：头发颜色，性别或者年龄等 attribute value：每一个attribute可以有一组value；例如头发颜色可以有：棕色/金色/黑色 domain:：一组图片有相同的attribute value；例如所有头发为黑色的男人女人可以作为一个domain v2中对于domain和style的定义 domain：一组图片从视觉上进行分类； style：每一张图片都有自己的风格 例如
stargan-v2(未待完续)
a533855的博客
05-10 300
风格迁移。
StarGAN实例解析：数字信号处理中的应用
"该资源主要围绕生成对抗网络（GANs）进行讲解，特别是StarGAN的实现，同时还涵盖了GANs的基本概念、理论发展、各种变体和广泛应用领域。" 生成对抗网络（GANs）是由两部分构成：生成器（Generator）和判别器...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值