GAN系列论文选读

本文介绍了cGAN(条件生成对抗网络)的基本原理,并深入探讨了SeGAN,一种能根据部分遮挡的图像生成完整图像的技术。SeGAN利用Resnet-18和ROI Pooling进行特征提取,再通过 Upsampling 层生成高分辨率图像。同时,Generator和Discriminator采用了Unet结构和cGAN策略,结合L1/L2损失函数优化训练。整个网络的损失函数由多个部分组成,包括全对象外损失、可见损失和不可见损失。
摘要由CSDN通过智能技术生成

1.cGAN(Conditional Generative Adversarial Nets):

cGAN通过加约束来使得GAN可以生成具体服从某一分布的样本,如mnist中生成某一类数值的图片,

原理如下:


2.SeGAN:

核心内容:通过输入被部分遮挡的mask以及原图,来生成未被遮挡的物体。具体如下图:左侧沙发被盆栽挡住部分结构,输入原图以及被遮挡沙发的ground truth,最终生成一个完整的彩色沙发图。

具体理解如下:



Segmentor部分的输入为4个channel的张量(RGB 3个+1个 可见的

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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