GAN(对抗生成网络)可以被用于哪些(商业或潜在商业)实际问题?
https://www.zhihu.com/question/319949451/answer/806981502
StarGAN 相对于基准模型, 在面部属性转移和面部表情合成的任务中有更好的效果2017 年论文
Style gan 2018年 生成的脸很逼真
牙齿,头发,局部色彩,局部不对称,局部扭曲,人脸后的背景有问题,存在水平或垂直的条带状纹理 https://zhuanlan.zhihu.com/p/52007724 ,生成的脸和真实脸的区别,还有分辨真假人脸的小游戏连接
StyleGAN 算法不能生成同一个「假人」的多张图像,例如大头照,沙滩照,各种角度照片,制作虚拟图片,生成的多张图片是同一张图片的属性修改,得到的
训练GANs一年我学到的10个教训 https://zhuanlan.zhihu.com/p/79959150
2、大姿态人脸识别中,TP_gan 将侧脸生成人脸的正面照片,再进行人脸识别,属性估计,效果会比较好。所以可能低分辨率的图片,超分辨图片再识别效果也会比较好。
生成的人脸是否有重叠的估算
随机数字 latents 决定脸的唯一性
# Print network details.
Gs.print_layers()
# Generate pictures
generate_num = 20
for i in range(generate_num):
# Generate latent. 随机生成一组 512高斯分布的浮点值,取值主要在-1.96~+1.96之间,,
# 如果按照前三位取值,每个随机数字可能性(196+196)可能性
# 总共有 392^512 次方个人脸,重叠的概率还是有的,但是非常小,
# 类似人群中发现有 陌生的人长得很像的情况
# 由于基数很大,可以忽略不记
latents = np.random.randn(1, Gs.input_shape[1]) #512 np.array([[1.08496709, -0.06483675,..........]]),