![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GAN
文章平均质量分 93
BrotherHappy
故事还长,樱花依旧。
展开
-
DCGAN和CGAN的解读和学习
DCGAN和CGAN的解读和学习1.DCGAN网络结构一些的DCGAN结构指南训练的一些细节:代码实现:最后的图像生成效果 待跑完。。。2.CGAN1.DCGAN网络结构DCGAN其主要贡献在于把原始GAN中的全连接层替换为了卷积层。具体如下:首先是全卷积网络,这使用了跨步卷积代替了确定性的空间池化功能(例如最大池化等操作),从而能让网络能够学习自身的空间下采样。其次是再卷积层特征上消除全连接层的趋势,全局池化就是一个最好的例子。第三是采用了BatchNormalization,这个通过将输入原创 2021-03-26 10:41:27 · 1489 阅读 · 0 评论 -
GAN可解释性解读:Closed-Form Factorization of Latent Semantics in GANs
GAN可解释性,利用范数寻找语义向量论文名:Closed-Form Factorization of Latent Semantics in GANs摘要原理介绍实验在对这种方式进行的复现中,我选用了animeface这个数据集。论文名:Closed-Form Factorization of Latent Semantics in GANs摘要 GAN的latent sapcelatent\,sapcelatentsapce中存在很多丰富的语义信息,这在之前的很多研究中就已经做了介绍,而以往的很多原创 2021-03-25 19:50:25 · 962 阅读 · 0 评论 -
StyleGAN学习,Nvidia在PGGAN后的继续探索
StyleGAN学习,Nvidia在PGGAN后的继续探索1.摘要2.Style-based generator1.摘要 作者提出,在当前生成对抗网络发展如此迅猛的情况下,生成器仍然属于一个黑盒子的性质。我们对于其图像生成的变化因素的控制和理解不够,对于latent codelatent\,codelatentcode的作用仍不能更多的理解。并且,对于各种生成器进行定量的评估仍然没有很好的方法。文章中的style更多的指的生成图像的属性,只是类似的结构经常被用在style transfer上面,所以取原创 2021-03-25 19:42:51 · 316 阅读 · 0 评论