GAN是基于可微生成器网络的另一种生成建模方式。实际是通过对先验分布施加一个运算G, 来拟合一个新的分布
如果从传统的判别式网络的思路出发,只要选定合适的loss,就可以使生成分布和真实分布之间的距离尽可能逼近。这里通常使用了KL散度。其实现在在图像分割领域GAN网络也达到了了大量的应用了。在上述描述中我们可以发现可以增加一个loss函数来拟合一个数据的分布。因此后期我想到了应用这种方法来做域转换学习。
图片来自GAN的损失函数。在哪里有很详细的描述。大家可以看看
GAN是基于可微生成器网络的另一种生成建模方式。实际是通过对先验分布施加一个运算G, 来拟合一个新的分布
如果从传统的判别式网络的思路出发,只要选定合适的loss,就可以使生成分布和真实分布之间的距离尽可能逼近。这里通常使用了KL散度。其实现在在图像分割领域GAN网络也达到了了大量的应用了。在上述描述中我们可以发现可以增加一个loss函数来拟合一个数据的分布。因此后期我想到了应用这种方法来做域转换学习。
图片来自GAN的损失函数。在哪里有很详细的描述。大家可以看看