【GANs】Conditional Generative Adversarial Nets

于 2022-09-27 16:15:39 发布
阅读量794 收藏
点赞数
分类专栏： GANs
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/m0_57411450/article/details/127061411
版权
条件生成对抗网络（CGAN）是GAN的改进版，通过添加条件标签实现可控的样本生成。CGAN可用于图像修补、多模态深度学习等任务，解决了传统模型在one-to-many映射问题上的局限。CGAN的流程中，判别器和生成器都引入了条件标签，目标函数也相应调整以考虑条件分布。
摘要由CSDN通过智能技术生成

【GANs】Conditional Generative Adversarial Nets

2 CGAN

2.1 CGAN简介

Conditional Generative Adversarial Nets原文链接

本文提出了GAN的改进版本，条件GAN：
通过为数据增加 l a b e l ( y ) label(y) label(y)进行构造，在 G G G和 D D D的输入上都增加了 l a b e l label label然后做了两个有条件的GAN实验。也就是给定条件 y y y，结合随机分布，生成条件 y y y的样本。

1.mnist数据集，基于给定 l a b e l label label生成特定数字的模拟实验。
2.用于多模态学习，生成不属于训练标签的描述性标记。

前言

  • 原始GAN
    之前介绍的无条件GAN中，生成的数据是不可控的，代码运行结果也可以看出，只能生成 0 ∼ 9 0 \sim 9 0∼9的数字，但是无法保证是哪一个。但是本文给定标签的CGAN网络可以基于 c l a s s l a b e l class label classlabel生成特定数字的图像。

  • 存在的问题
    对于one-to-many mapping模型，比如image tag问题，一张图片可以能不止一个tag，传统模型无法解决，因此可以使用条件生成概率，将图像视为conditional variable（条件变量），使用条件预测分布去获取一对多的映射关系。

  • CGAN的应用
    CGAN可以应用于图像修补，多模态深度学习等任务。目前这些领域也已经有很深入的研究。

流程图

请添加图片描述

  • D判别器的输入图像之外加入了 y y y标签。 y y y这个特征维度与 x x x相同，是因为在模型内部进行了embedding处理。
  • G生成器的输入除了噪声之外，也加入了 y y y标签。维度关系同上。然后将生成的图像作为一半输入与 y y y结合送入到D判别器。

目标函数

GAN：
    G m i n     D m a x V ( D , G ) = E x ∼ P d a t a ( x ) [ l o g D ( x ) ] + E z ∼ P z ( z ) [ l o g ( 1 − D ( G ( z ) ) ) ] \begin{align} {^{min}_{\space\space\space G}} {^{max}_{\space\space\space D}} V(D,G)=E_{x \sim P_{data}(x)}[logD(x)] + E_{z \sim P_{z}(z)}[log(1-D(G(z)))] \end{align}    Gmin​

最低0.47元/天 解锁文章
SupV
关注
专栏目录
GAN、NLP：Generative Adversarial Networks(GANs)Tutorial in Python
AI天才研究院
07-31 1686
作者：禅与计算机程序设计艺术Generative Adversarial Networks (GANs), also known as GANs for short, are a type of deep learning model used to generate new data instances or images that appear realistic and plausible. They were originally proposed by Ian Goodfellow et al.
MM2018/风格迁移-Style Separation and Synthesis via Generative Adversarial Networks通过生成性对抗网络进行风格分离和合成
ssshyeong的博客
04-15 529
在本文中，我们提出了风格分离和合成生成对抗网络（S3-GAN），以同时实现特定类别的对象照片的风格分离和风格合成。基于目标照片位于流形上，且内容和样式独立的假设，我们使用S3-GAN在流形和潜在向量空间之间建立映射，以分离和合成内容和样式。S3-GAN由编码器网络、生成器网络和对抗网络组成。
论文笔记之：Conditional Generative Adversarial Nets
a1424262219的博客
10-31 242
Conditional Generative Adversarial Nets arXiv 2014 　　 本文是 GANs 的拓展，在产生 和 判别时，考虑到额外的条件 y，以进行更加“激烈”的对抗，从而达到更好的结果。 　　众所周知，GANs 是一个 minmax 的过程： 　　而本文通过引入 条件 y，从而将优化的目标函数变成了： 　　下...
Conditional Generative Adversarial Nets（小白学GAN 五）
fan1102958151的博客
05-27 849
原文链接：https://arxiv.org/pdf/1411.1784.pdf 简介 核心思想：在判别器与生成器的输入中加上标签等而外信息作为条件信息来约束生成器。 相比原始的GAN所生成的图片只能拟合到整个训练集X的数据分布，而无法控制具体生成其中某种标签的数据。但是如果加上了标签信息作为而外的信息输入，我们就能以此来对生成数据具体拟合范围进行约束，用不同的标签就能生成不同的数据。感性上来理解，判别器不仅要判断输入图片是否为真，还要判断输入图片与标签是否匹配，只不过两个任务由判别器一次完成罢了
[cgan]Conditional Generative Adversarial Nets
07-22 427
cgan 生成 mnist:https://blog.csdn.net/qq_38826019/article/details/80865852 转自：https://www.jianshu.com/p/dba09468de1a 在生成对抗网络GAN提出之后，又出现了一种条件对抗网络CGAN。CGAN能够通过简单地提供数据 y 来构造，希望对生成器和判别器都进行条件化。通过实验验证了给模型可...
（CGAN）Conditional Generative Adversarial Nets
08-27
条件生成对抗网络（CGAN）， tensorflow实现
【论文精读】2017_ICIP_Abnormal event detection in videos using generative adversarial nets
qq_41954153的博客
05-09 859
Abnormal event detection in videos using generative adversarial nets 论文地址链接 Comments: Best Paper / Student Paper Award Finalist, IEEE International Conference on Image Processing (ICIP), 2017 Abstract   使用正常帧和对应的光流图来训练GAN学习场景的正态表示。 Conclusion   作者提出了一种基于两个
Conditional Generative Adversarial Nets
qq_45059780的博客
05-05 827
Conditional Generative Adversarial Nets 利用五一假期的小尾巴终于看完了CGAN的论文，特意记录一下，方便以后查找。 文章目录Conditional Generative Adversarial Nets前言一、总述二、GAN与CGAN的区别1. 输入输出2. 损失函数三、CGAN的网络框架个人理解总结参考文献 前言 利用五一假期最后的小尾巴，终于看完了CGAN的论文，记录一下自己的读书笔记。 Conditional Generative Adversarial
Conditional Generative Adversarial Nets（CGAN）
qq_40128284的博客
07-20 2102
前言： 这篇博客为阅读论文后的总结与感受，方便日后翻阅、查缺补漏，侵删！ 论文：Conditional Generative Adversarial Nets 参考：博客一、博客二 解决的问题： 介绍这个问题前，我们首先回顾GAN的优点与缺点： GAN 的优点： ● GAN是一种生成式模型，相比较其他生成模型（玻尔兹曼机和GSNs）只用到了反向传播，而不需要复杂的马尔科夫链。 ● 相比其他所有模型，GAN可以产生更加清晰，真实的样本。 ● GAN采用的是一种无监督的学习方式训...
cGAN:Conditional Generative Adversarial Nets
qq_37151108的博客
08-04 6064
论文阅读之cGAN:Conditional Generative Adversarial Nets #Abstract 本文提出了条件-生成对抗网络（Conditional-GAN),Generator和Discriminator的输入数据除了随机噪声外还多了标签y，从而可以通过GAN生成不同class label的图像，用于更好的引导单模态图像生成以及多模态学习下的生成图像标签等。 
 

# Section I Introduction
 

生成模型中的生成对抗网络有效地规避了一些不好近似的概率运算，
PaperNotes(5)-Conditional Generative Adversarial Nets
sinat_40624829的博客
10-08 1432
Conditional GAN 论文阅读笔记Abstract1 Introduction2 Related Work3 Conditional Adversarial Nets3.1 Generative Adversarial Nets3.2 Conditional Adversarial Nets4 Experimental Results4.1 Unimodal4.2 Multimodal5 Future Work6.思考 Abstract 生成对抗网[8]是最近被提出的一种训练生成模型的新方法。本文
[论文笔记]：Conditional Generative Adversarial Nets
sinat_38059712的博客
03-22 476
Conditional Generative Adversarial Nets内容总结网络结构损失函数实验MNIST数据集的实验Flickr数据集上的图像自动标注实验(Mir Flickr-25k) 论文地址： https://arxiv.org/abs/1411.1784 代码地址： https://github.com/TeeyoHuang/conditional-GAN https://w...
【论文精读】(CGAN)Conditional Generative Adversarial Nets
你的深度学习小站
11-23 2590
Conditional Generative Adversarial Nets 关于原版的生成对抗网络模型以及公式推导可以参考：【论文精读】对Generative Adversarial Net的一点理解 摘要 ​ 生成对抗网络最近介绍了一种新的方法来训练生成模型。本文将介绍生成对抗网络的条件版本，通过简单的输入数据yyy来构建，作者希望生成器和辨别器都能够被训练。 ​ 作者展示了此模型能够生成以类标签为条件的MNISTMNISTMNIST数字。 ​ 作者还展示此模型如何能够用来学习一个多模态模型，并且提供
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

打赏作者

SupV

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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