李宏毅《GAN Lecture》学习笔记8 - Photo Editing

最新推荐文章于 2021-07-18 00:20:37 发布
最新推荐文章于 2021-07-18 00:20:37 发布
阅读量1.6k 收藏 7
点赞数 3
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/102695932
版权
本文探讨了如何利用GAN改进图像编辑能力，通过Encoder和Generator研究latent vector与图像属性的关系，实现了智能Photoshop。文章介绍了从图像到latent vector的方法，以及损失函数在生成图像中的应用，并展示了GAN在图像增强和补全方面的潜力。
摘要由CSDN通过智能技术生成

Photo Editing

本节内容介绍使用GAN来提升图像编辑的能力，课程pdf和video。

Latent Vector与生成的图像属性有关系

使用GAN生成高清照片（如人脸照片）已经越来越多，2019年初的StyleGAN已经可以完成高清的、逼真的人生成。输入是latent vector，输出是一幅高清图像。通过修改latent vector，就可以改变输出的图像特点（如改变头发长短、发型、性别、面部表情、不同的朝向等）。
在这里插入图片描述
在这里插入图片描述

如何确认latent feature与生成的人物属性之间的关系

使用Encoder生成latent vector

  • 通过增加一个Encoder，使得Encoder+Generator作为一个整体，训练Encoder，使其输入x和输出x_gen尽可能相同。这样
最低0.47元/天 解锁文章
dupei
关注
专栏目录
李宏毅《GAN Lecture》学习笔记1 - GAN
好记性不如烂笔头
10-15 372
介绍GAN的基本原理和训练过程
李宏毅GAN对抗生成网络2018最新ppt全套
08-17
李宏毅GAN对抗生成网络2018最新ppt全套,内容非常详细，结合视频一起学习，将大有裨益
GAN系列：李宏毅老师GAN课程P8——Photo Editing
lynlindasy的博客
03-03 608
生成器的输入是一个低维向量，输出是一张图片。向量的每一维可能对应着图像的某个特征，改变的值就可以调整图像内容。那么： 1. 对于一张已有的生成图像，如何得到它对应的向量？ 2. 又如何知道中的每个元素/维度对应着图像中哪个特征？ 3. 该维度是以怎样的具体值控制着该特征的表现呢？ 回答1：利用GAN+Autoencoder的结构得到。如下图所示：已有生成器(同时相当于解码器)，加入一个编码...
李宏毅GAN学习（八） photo editing
CSDNbaiduyun的博客
12-29 1290
生成器是已经训练好的一个网络，encoder是一个跟判别器很像的网络，可以用判别器初始化encoder（最后一层除外，因为网络的输出格式不一样），然后训练网络。 假如已知图片的标签，比如根据头发长短分成两类。下图左为长发，右为非长发，将长发的所有图片输入encoder，将得到的所有z求均值，再将非长发的所有图片输入encoder，将得到的所有z求均值，求两者之间的差，就是长发与非长发之间的特...
GAN学习笔记-李宏毅：GAN Lecture 8 (2018):Photo Editing
qq_31895943的博客
03-06 355
李宏毅老师讲解的GAN Lecture 8 (2018): Photo Editing 智能ps的做法
vae个人理解
war3gu的博客
05-29 1100
input data的分布空间是不定的，但是latent vector的分布空间，是可以进行人为的设定。 之前的normal autoencoder，对latent vector的分布空间没有要求，编码器参数灵活度比较高，现在对latent vector的分布空间进行了限制，那么编码器参数灵活度也就被限制了。 ...
李宏毅 GAN课程PDF讲义分享-附件资源
03-05
李宏毅 GAN课程PDF讲义分享-附件资源
GAN学习笔记-李宏毅：GAN Lecture1（2018）：Introduction
qq_31895943的博客
03-06 854
李宏毅老师讲解的GAN Lecture1（2018）：Introduction Github上一个总结GAN及其扩展的项目：[the-gan-zoo](https://github.com/hindupuravinash/the-gan-zoo) Outline Basic idea of GAN Basic idea of GAN Generator：a random vector t...
用深度学习方法做topic modeling
u010215609的专栏
02-28 4055
用autoencoder做topic modeling，效果可以比LDA好非常多
算法笔记之GD，BGD，SGD
热门推荐
机器学习知识点整理
01-24 1万+
在讨论GBDT前，先来看看什么是GD，BGD和SGD GD（Gradient Descent，梯度下降）: 求损失函数最小值：梯度下降；求损失函数最大值：梯度上升。 假设线性模型： 其中θ是参数。 损失函数为： 那么每次GD的更新算法为： BGD(Batch Gradient Descent，批量梯度下降)： 在更新参数时使用所有的样本来进行更新。 S
【论文夜读】【随笔】一切皆embedding(向量嵌入)
MinCong Luo的博客
07-30 7871
【论文夜读】【随笔】一切皆embedding(向量嵌入) python中一切皆对象，深度学习里几乎一切皆可embedding。自从word2vec横空出世，似乎一切东西都在被embedding。知识图谱、社交网络可以被embedding，句子、段落可以被embedding，图像的主题或者部分可以被embedding。。。总体地来说，embedding也是构建一个映射f:X→Yf:X→Y...
Latent Variables的理解
ziliwangmoe的博客
02-14 1万+
加入我们有X，Y两个随机变量，他们的概率分布如下。要直接用一个函数还表示这个分布是比较困难的。 但我们发现这个分布可以分成三个聚类。如果我们给每个聚类编号为。 那么就是简单的高斯函数了。 这里z就是 加入latent variable的意义在于，能够把复杂的问题变成多个简单的问题的和。 另外一种理解是，x是我们观察的值。这些观测值只是表面现象，但真正影响这些现象的是背后的一些late...
Latent Semantic Analysis (LSA) Tutorial 潜语义分析LSA介绍 一
Unicorn
09-16 9056
Latent Semantic Analysis (LSA) Tutorial 译：http://www.puffinwarellc.com/index.php/news-and-articles/articles/33.html WangBen 2011-09-16 bei
李宏毅《GAN Lecture》学习笔记3 - Unsupervised Conditional GAN
好记性不如烂笔头
10-16 771
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. 有两种实现 ...
[CVPR 2018]Discriminative Learning of Latent Features for Zero-Shot Recognition
剑启郁兰的博客
02-19 908
文章目录背景贡献模型The Image Feature Network（FNet）The Zoom Network（ZNet）The Embedding Network(ENet)Prediction实验 背景 作者认为当前(2018年前)zero-shot研究的核心主要是在视觉空间和语意空间中学习合适的映射关系，而忽视了学习ZSL问题中 有判别力的表示。几乎所有的模型都有着相似的范式，即通过手工...
【深度学习】详解 Vision Transformer (ViT)
闻韶
07-18 10万+
【深度学习】详解 Vision Transformer (ViT)
生成对抗网络系列—CycleGAN
MasterQKK
04-07 521
CycleGAN模型与Autoencoder的关系 生成对抗网络系列—CycleGAN系列文章目录背景模型CycleGAN模型与Autoencoder的关系损失函数实际训练中LGA Unpaired Image-to-Image Translation using Adversarial Consistency Loss Cycle-consistence loss Unpaired image -> image translaction
【实战】轻轻松松使用StyleGAN2（三）：一笑倾人城，再笑倾人国：让你的女朋友开心笑起来
weixin_41943311的博客
01-03 1万+
我们可以用StyleGAN2提取真实人脸的latents，并且用这样的latents重建人脸图像。 一种方法是直接使用StyleGAN2 projector，内容请参考： 轻轻松松使用StyleGAN2（二）：使用run_projector.py将真实人脸投射到StyleGAN2 dlatents空间并重建图像 另外一种，是使用StyleGAN2 Encoder，下面我们着重讲这一种方法。 ...
李宏毅深度强化学习：Q-Learning解析
"台湾李宏毅老师的深度强化学习PPT，涵盖了Q-Learning的基本概念、技巧以及连续动作的处理方法，对于理解强化学习中的评价函数（Critic）和策略（Actor）有很好的指导作用。" 在深度强化学习中，Q-Learning是一种...
评论 1
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