GAN李宏毅(2)——可控的GAN

最新推荐文章于 2023-04-10 16:44:40 发布
最新推荐文章于 2023-04-10 16:44:40 发布
阅读量855 收藏 1
点赞数
分类专栏： GAN
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/duyue3052/article/details/82814647
版权
本文深入探讨了Conditional GANs，重点介绍其判别器如何通过添加判断条件引导生成器产生特定反应。讨论了两种判别网络结构，并详细阐述了Stack GAN的工作原理，以及如何利用判别器解决图像生成中的问题，如避免平均输出。同时，还涉及了噪音处理和预测下一帧的技术。
摘要由CSDN通过智能技术生成

目录

1 conditional GAN的判别器增加了一个判断条件，那么生成器就有了反应

1.1两种判别网络结构

1.2 stack GAN_由易到难（看看人家怎么解释）

 1.3 image image(核心仍然是判别器)

1.4 噪音处理，预测下一帧

我们不希望网络输出多张image的平均——这个问题被gan的判别器解决了

1 conditional GAN的判别器增加了一个判断条件，那么生成器就有了反应

矢量的第一个标量是0，那么就得是火车，否则仍是低分

1.1两种判别网络结构

下面这个更合理，区分了两种错误

最低0.47元/天 解锁文章
chen5561
关注
专栏目录
CVPR 2021｜可操控的GAN——Hijack-GAN
Paper weekly
07-08 759
©PaperWeekly 原创 ·作者|孙裕道学校|北京邮电大学博士生研究方向|GAN图像生成、情绪对抗样本生成前言该论文是关于 GAN 图像生成类的文章，并收录于 CVPR...
ICCV 2021 | 朱俊彦团队一张草图训练可控的GAN？
idol24的博客
08-09 515
点击上方“机器学习与生成对抗网络”，关注星标获取有趣、好玩的前沿干货！机器之心编辑：杜伟、陈CMU 助理教授朱俊彦团队的最新研究将 GAN 玩出了花，仅仅使用一个或数个手绘草图，即可以自...
【李宏毅】-生成对抗式网络（GAN）
最新发布
m0_51474171的博客
04-10 911
输入不再是只是x，还有一个simple distribution（样本分布），输出也是一个分布。尤其在任务需要的时候，需要分布。
【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）
iioSnail的博客
07-06 3260
前言 相关链接 1. Introduction 1. 1 Basic Idea of GAN 1.2 GAN as structured learning 1.3 Generator可以自己学吗？ VAE（Variational Auto-encoder） 2. CGAN, Conditional Generation by GAN 2.1 discriminator的架构改进 2.2 Stack GAN 2.3 Image-to-image 2.4 Speech Enhancement（提升语音的质量）
李宏毅机器学习笔记：GAN
qq_43711697的博客
08-30 4794
前言 主要记录李宏毅机器学习2021中介绍GAN部分的笔记，从GAN的发展开始到GAN的基本理论再到GAN生成的评价方法最后到介绍流行的GAN方法。 一、GAN的基本介绍 GAN的全名是Generative Adversarial Network生成对抗网络，其主要的目的是为了让训练机器让机器能够自主生成相对应类型的图片，其中生成器generator就是GAN中进行生成相对应类似分布的网络，而鉴别器Discriminator就是判别生成器生成是否为真假的网络，鉴别器通过将输入的图像转换成一个判别值来判断真
GAN系列：李宏毅老师GAN课程P2+P3——Conditional GAN
lynlindasy的博客
02-23 2745
看这个课程的时候，有弹幕说P1后直接看P4，然后再看P2和P3，这个顺序确实更好一点。这部分主题是条件GAN(Conditional GAN)，所谓的条件就是我们对要生成的图片的要求和限制。之前生成器的输入是一个随机噪声向量，生成器根据向量产生任意的图像。在实际应用中，产生的图像一般是有特定限制的，比如要产生火车的图像，人脸的图像等。因此Conditional GAN更有实用价值。Conditio...
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...
李宏毅机器学习作业11——Transfer Learning，Domain Adversarial Training
iwill323的博客
11-27 1969
李宏毅机器学习作业11——Transfer Learning，Domain Adversarial Training，dirt
【深度学习实践】从零开始的炼丹生活11—— GAN的综述（2020.3）
骋望
02-25 1602
一文了解 GAN 过去6年的各种思想以及经典架构，并展望未来。
台湾大学李宏毅老师一天搞懂GAN
08-01
该PPT是台湾李宏毅老师的课件，一天搞懂GAN，深入浅出
GAN李宏毅(1)
duyue3052的博客
09-22 1834
目录 GAN的种种变形的收集 课程内容 1基本概念 1.1核心问题 1.2算法 1.3结果——遍历的创造力 2GAN 是一种结构学习 2.1分类、回归、结构学习 2.2 结构学习的难度 2.3传统解决这个问题的方法  3generator自己学会怎么样 3.1用encode-decode网络的decode代作为生成器 3.2这种方式的问题 3.3VAE解决这个问题 3...
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Generative Adversarial Network 生成式对抗网络（GAN）
热门推荐
知不足而奋进，望远山而前行
11-10 2万+
下面是小精灵游戏画面，有很多小精灵在“迷宫”里走动。现给出一个需求，需要通过当前的游戏画面，预测下一帧的画面传统神经网络的做法是，将前面一帧或几帧的画面图片作为特征，当前画面图片作为标签进行训练，目的是使得通过历史画面，输出的画面和当前画面越接近越好。有人按照这样的思路做了，结果出现了一个问题，小精灵在走到岔路口时，会一分为二，分裂成两个小精灵，这是为什么呢？这是因为在岔路口时，即使是同样的历史画面，小精灵也有可能向左走或者向右走，所以在训练集里，很存在这样“矛盾”的标签，即同样的特征，但是输出不同，为了满
李宏毅老师《机器学习》课程笔记-6 GAN
宁萌Julie的博客
06-16 1159
介绍GAN(Generative Adversarial Model)。
P11机器学习--李宏毅笔记GAN（对抗生成网络）
u013373155的博客
11-13 1104
GAN的基本概念 GAN的训练方法 训练GAN的目标 Model Collapse Model Dropping 计算多样性 Conditional GAN Condtitional GAN+Supervised learing cycle Gan
李宏毅GAN学习（五）fGAN
CSDNbaiduyun的博客
12-27 621
数学上特别吊，实际好像没什么用 不同的f对应不同的divergence 证明：   选择不同的divergence就有不同的f*，可以解决模型坍塌的问题 产生的原因： ...
​李宏毅机器学习——对抗生成网络（GAN）
iwill323的博客
10-24 2572
​李宏毅机器学习——对抗生成网络（GAN）
要让GAN生成想要的样本，可控生成对抗网络可能会成为你的好帮手
weixin_34337381的博客
10-24 1666
雷锋网 AI 科技评论按：如何让GAN生成带有指定特征的图像？这是一个极有潜力、极有应用前景的问题，然而目前都没有理想的方法。韩国大学电子工程学院Minhyeok Lee和Junhee Seok近期发表论文，就生成对抗网络的控制问题给出了自己的办法，雷锋网 AI 科技评论根据原文进行如下编辑，原文链接 简介 生成对抗网络（GANs）是最近几年提出的新...
李宏毅MLDS课程笔记9：Generative Adversarial Network(GAN)
徐子尧的博客
04-23 4308
NIPS 2016 Tutorial: Generative Adversarial Networks [Paper] [Video] tips for training GAN: https://github.com/soumith/ganhacksBasic Idea of GAN1、最大化似然函数等价于最小化PdataP_{data} 与PGP_G 之间的KL散度。如果PGP_G 取的是GM
李宏毅教授深度解析：一天掌握GAN精髓
GAN是一种深度学习框架，由两个神经网络——生成器（Generator）和判别器（Discriminator）组成，通过对抗训练来生成逼真的新数据。生成器尝试制造看起来像真实数据的样本，而判别器则试图区分这些生成的样本与真实...
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