目录
问题——如果判别器不仔细设计,而生成器又比较深的话,会导致生成图像与原始图像差别很大
为了减少模糊,增加判别能力,我们引入判断全局信息的判别器——VAEGAN
方法1couple-GAN、Unit:编码器最后几个层公用参数,解码器开始几个层公用参数
从标签得到图片,然后用判别器更新生成器。如果标签没那么精确,不是一对一的,计算判别器的时候就会出现问题,怎么办?
问题——如果判别器不仔细设计,而生成器又比较深的话,会导致生成图像与原始图像差别很大
方法1——加一个训练好的分类器
方法2——circle GAN
两个生成器,两个判别器,一起训练
存在的问题
要求生成器恢复已经丢失的信息,会导致生成器生成效果受到限制(偷偷摸摸藏信息)
其他类似的两个方案
扩展——starGAN
方法3——统一空间
为了减少模糊,增加判别能力,我们引入判断全局信息的判别器——VAEGAN
由于是分开训练的,并没有映射到相同空间
XY说的语言不一样