李宏毅《GAN Lecture》学习笔记3 - Unsupervised Conditional GAN

最新推荐文章于 2024-03-26 16:44:35 发布
最新推荐文章于 2024-03-26 16:44:35 发布
阅读量769 收藏 6
点赞数 1
分类专栏： GAN学习笔记
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/dupei/article/details/102578961
版权
本文介绍了无监督条件生成对抗网络（Unsupervised Conditional GAN）的应用，包括直接转换和转到潜在空间的方法。重点讨论了CycleGAN、DiscoGAN、DualGAN以及Star GAN等模型，阐述了如何在缺乏配对数据的情况下进行多域转换，并探讨了解决潜在特征不匹配的策略。
摘要由CSDN通过智能技术生成

Unsupervised Conditional GAN

上一篇介绍的Conditional GAN是需要成对的数据作为训练集，而在很多情况下，很难准备这样的训练集。不成对的数据较为容易收集，那么，利用这些不成对的数据做Conditional GAN就是Unsupervised Conditional GAN.

相关的教程pdf和video。

问题描述以及方法

在这里插入图片描述

两种实现方式

  1. 对于差别不大的情况（只是颜色和纹理的变化），可以直接转换
  2. 对于差别很大的情况，需要投射到一个Common Space上
    在这里插入图片描述

直接转换

目标函数有两个：

  1. 生成的图片尽可能像Domain Y的图片
  2. 输入的图片和生成的图片要相关
最低0.47元/天 解锁文章
dupei
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GAN学习笔记-李宏毅：GAN Lecture 3 (2018): Unsupervised Conditional Generation
qq_31895943的博客
03-06 524
李宏毅老师讲解的GAN Lecture 3 (2018): Unsupervised Conditional Generation 类似于风格转化的task 两类方法： 1）直接转：只能进行小改，input和output间差距较小（如颜色或纹理转化） 2）投射到公共空间：input和output间差距较大（真人转化为动画人物） Direct Transformation 存在问题-Ge...
李弘毅老师GAN笔记（三），Unsupervised Conditional GAN
taoyafan的博客
07-31 1970
目录 0 概述 1 直接转换 1.1 第一种方法 1.2 第二种方法 1.3 第三种方法 1.4 StarGAN 2 基于特征转换 2.1 第一种方法 2.2 第二种方法  2.3 第三种方法  2.4 第四种方法 3 其他应用  0 概述 两种方法，如图1所示，方法一是直接转换，方法二是先得到特征再解码。 图1 两种方法简介 1 直接转换 1.1 第一种方法 ...
李宏毅GAN 学习笔记3 -- Unsupervised Conditional Generation
s1nnix的博客
12-11 406
Unsupervised Conditional Generation 无监督的条件GAN网络，简单来说就是给出两堆data（data之间没有任何的关联），machine自己学到怎么从一堆转到另外一堆。 有两种方法，第一种是Direct Transformation，直接进行转换，这种方法适用于input和output的差别比较小，比如说是颜色或者风格上的变化。 具体实现： 第二个是Projection to Common Space，这种方法适用于比较复杂的转换，就不仅仅是简单的改改颜...
机器学习与深度学习系列连载： 第四部分 对抗网络GAN (八) 对抗网络 （Unsupervised Conditional Sequence Generation）
Doctor Wu的博客
12-28 589
对抗网络 （Unsupervised Conditional Sequence Generation） 现实世界中，非监督数据占据绝大多数，GAN可以利用非监督数据进行结构化数据生成。 1. 文本转换 Text Transfer 我们经常使用GAN做图片生成，其实除了图片这样的结构化数据外，文本转换也是GAN可以做到的。 我们可以使用Cycle GAN的技术进行文本的“情绪”转换 由于文本是...
李宏毅2020ML——P74 Unsupervised Conditional Generation
weixin_44177594的博客
03-24 116
无监督的有条件生成introduceDirect Transformation第一种：直接忽略第二种：改变NN架构，加入encoder第三种做法：Cycle GANCycle GAN遇到的问题StarGANProjection to Common Spaceapplication语言转换 introduce 回顾无监督学习： 举例 Direct Transformation 第一种做法：直接转（多用于纹理或颜色变化） 最开始的想法： 缺点：可能得不到我们的答案 解决办法有很多： 第一种：直接忽略 如
3.GAN--Unsupervised Conditional Generation
qq_34621022的博客
03-29 200
李宏毅《GAN Lecture》学习笔记2 - Conditional GAN
好记性不如烂笔头
10-15 361
Conditional GAN 最初的GAN是输入随机向量，输出一幅图像，这样的话，生成的图像是随机的，不可控的。 Conditional GAN是在输入的地方加上条件限制，譬如，配上文字介绍，生成的图像就是与文字相关的图像 使用传统的supervised learning做到这种需求的方法 右上角是准备的训练数据（文字描述与图像的pairs） 这种方法的缺点： 对于train，训练集中可能有多...
2021李宏毅机器学习笔记--18Unsupervised Learning -- Neighbor Embedding
guoxinxin0605的博客
08-07 526
2021李宏毅机器学习笔记--18 Unsupervised Learning -- Neighbor Embedding 摘要一、Manifold Learning(流形学习)二、Locally Linear Embedding(LLE,局部线性嵌入)三、Laplacian Eigenmaps(拉普拉斯特征映射)3.1 简介二级目录二级目录四、总结二级目录三级目录 摘要 wijw_{ij}wij​ wiw^iwi 本节是进行非线性降维的一些算法。包括局部线性嵌入LLE、拉普拉斯特征映射和t分布随
李宏毅《GAN Lecture》学习笔记1 - GAN
好记性不如烂笔头
10-15 371
介绍GAN的基本原理和训练过程
Lecture-7.pdf
11-16
IE 598 LECTURES 7 STOCHASTIC PROGRAMMING
论文研究-Improving Text Models with Latent Feature Vector Representations.pdf
08-22
基于潜在特征向量的文本表示模型改进，彭怀瑾，王晶，概率主题模型被广泛应用于文本潜在主题的发现，而潜在特征的向量表示则被广泛应用于自然语言处理任务中以实现高性能的文本表示。
deal.ii step-2 Lecture 9笔记
Yulan Fang's notes.
10-31 263
step1讲了mesh step2讲DOF，shape functions储存在mesh的位置（vertices，reference cell) 虽然不知道为什么，但看lecture的确是比tutorial的文字更好理解内容 grid生成mesh与step1差不多，只是这里会返回生成的mesh 类DoFHandler用于将shape function与vertices联系起来 DoFHandler<2> dof_handler(triangulation); distribute_dofs(
cs224笔记：Lecture 9 a review
weixin_37616971的博客
10-16 192
1 构建项目途径 Look at ACL anthology for NLP papers: https://aclanthology.info Also look at the online proceedings of major ML conferences: NeurIPS, ICML, ICLR Look at online preprint servers, especially: ...
图机器学习 - cs224w Lecture 11 & 12 - 网络传播
Step to a New World
05-24 618
文章目录Decision Based Model of DiffusionLarge CascadesExtending the Model 我们研究网络，不仅是为了提取网络结构的特征或对节点进行分类。更多的是为了研究网络上的传播过程，比如消息在社交网络中的传播，以及传染病在人群中的传播。而现实世界中的网络是不会显式地表现出传播过程的，而是通过时间先后的关系展示出传播性的。 Decision Based Model of Diffusion 现在有两种选择 A 和 B，一个人现在要决定要么选 A 要么选 B
《Backdoor Attacks and Countermeasures on Deep Learning: A Comprehensive Review》阅读笔记
Yale的博客
01-15 2401
Backdoor Attacks and Countermeasures on Deep Learning: A Comprehensive Review 最初的后门攻击主要集中在计算机视觉领域，但是也已经扩展到其他领域。例如文本、音频、基于ML的计算机辅助设计、基于ML的无线信号分类等。 区分 1.与Adversarial Example的区别 1）攻击的pipeline不同 2）对抗样本对每个输入进行精心设计不同的扰动，而后门攻击可以使用相同的触发器应用于将任何输入 3）后门触发器为攻击者提供了最大的灵
学习笔记之——NeRF SLAM（基于神经辐射场的SLAM）
gwpscut的博客
12-29 7010
NeRF 所做的任务是 Novel View Synthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose 等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF 希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。为了实现这一目的，NeRF 使用用神经网络作为一个 3D 场景的隐式表达，代替传统的点云、网格、体素、TSDF 等方式，通过这样的网络可以直接渲染任意角度任意位置的投影图像。
Stable Diffusion之核心基础知识和网络结构解析
最新发布
weixin_43056275的博客
03-26 5497
Stable Diffusion的整个训练过程在最高维度上可以看成是如何加噪声和如何去噪声的过程，并在针对噪声的“对抗与攻防”中学习到生成图片的能力。从数据集中随机选择一个训练样本从K个噪声量级随机抽样一个timestepttt将timestepttt对应的高斯噪声添加到图片中将加噪图片输入U-Net中预测噪声计算真实噪声和预测噪声的L2损失计算梯度并更新SD模型参数CLIP模型是一个基于对比学习的多模态模型，主要包含Text Encoder和Image Encoder两个模型。
Latent feature representation with stacked auto-encoder for AD/MCI diagnosis
weixin_42890793的博客
03-03 526
abstract Unlike the previous methods that considered simple lowlevel features such as gray matter tissue volumes from MRI, and mean signal intensities from PET, in this paper, we propose a deep learni...
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