GAN
文章平均质量分 63
云朵不吃雨
这个作者很懒,什么都没留下…
展开
-
InfoGAN:通过信息最大化生成对抗网络进行可解释的表示学习
GAN 没有尝试显式地为数据分布中的每个 x 分配概率,而是学习生成器网络 G,该生成器网络 G 通过将噪声变量 z ∼ Pnoise(z) 转换为样本 G(z),从生成器分布 PG 生成样本。因此,对于给定的生成器,最佳判别器是 D(x) = Pdata(x)/(Pdata(x) + PG(x))。**在这种情况下,这些属性既是独立的又是显着的,如果能够在没有任何监督的情况下恢复这些概念,通过简单地指定 MNIST 数字是由独立的 1-of-10 变量和两个独立的连续变量生成的,那将会非常有用变量。原创 2024-10-03 12:03:51 · 414 阅读 · 0 评论 -
使用辅助分类器 GAN 进行条件图像合成
在AC-GANs中,判别器除了要区分生成的图像与真实图像外,还额外承担了一个分类任务,即对输入图像的类别进行分类。这种方法可以提高生成图像的质量,并且能够生成具有特定类别标签的图像。AC-GANs的关键在于引入了辅助分类器(Auxiliary Classifier),这个分类器被集成在判别器中,用于对输入图像的类别进行分类。判别器的输出包括两部分:一部分是判断图像是真实还是生成的,另一部分是对图像类别的预测。这种结构不仅提高了图像的全局一致性,而且增加了生成图像的类别信息。原创 2024-10-02 22:48:41 · 173 阅读 · 0 评论 -
cGANs with Projection Discriminator
判别器的构建是受到概率模型假设的启发,其中条件变量 y 给定 x 的分布是离散的或单峰连续分布。这种模型假设在许多实际应用中很常见,包括类条件图像生成和超分辨率。通过这种假设,可以形成一个需要在嵌入的条件向量 y 和特征向量之间进行内积的判别器结构。模型中,判别器(Discriminator)不是通过将条件信息简单地与特征向量拼接(concatenate)来使用条件信息,而是采用一种基于投影的方式,这种方式更加尊重条件信息在底层概率模型中的作用。原创 2024-10-02 22:09:02 · 111 阅读 · 0 评论 -
Conditional Generative Adversarial Nets
生成对网络由两个“对抗性”模型组成:一个生成模型 G,用于捕获数据分布,另一个判别模型 D,用于估计样本来自训练数据而不是 G 的概率。G 和 D 都可以是非线性映射函数。为了学习数据 x 上的生成器分布 Pg,生成器构建从先验噪声分布 pz(z) 到数据空间的映射函数 G(z;θg)。判别器 D(x;θd) 输出一个标量,表示 x 来自训练数据而不是 pg 的概率。原创 2024-10-02 21:23:33 · 637 阅读 · 0 评论