GAN 发展历程

最新推荐文章于 2023-06-01 10:20:20 发布
最新推荐文章于 2023-06-01 10:20:20 发布
阅读量8.1k 收藏 122
点赞数 17
分类专栏： 人工智能 文章标签： gan
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/qq_19272431/article/details/93380342
版权

这几年出现的比较有影响力的 GAN，从最初的 Goodfellow 版 GAN 到近来大火的 BigGAN、StyleGAN 等，博客的后续内容也是按照这张图的顺序进行的。

GAN 路线图。

Goodfellow 版 GAN

 

GAN 是由 Goodfellow 等人于 2014 年提出的（目前公认的说法）。其基本思想可以概括为：

 

GAN 包含两个神经网络，一个神经网络尝试生成真实的数据（主要是图片，也可能是其他数据的分布），而另一个网络尝试判别真实的和生成的数据。

标准的生成对抗网络结构。

 

这场「猫捉老鼠」的游戏会一直继续下去，直到系统达到所谓的「平衡」，即生成器生成的数据以假乱真到判别器无法判别。

Goodfellow 等人 2014 年提出的 GAN 生成的图像。

 

  • 论文地址：https://arxiv.org/abs/1406.2661

  • 代码实现地址：https://github.com/goodfeli/adversarial

  • 其他资源：https://arxiv.org/abs/1701.00160

 

DCGAN: 深度卷积生成对抗网络

 

DCGAN 的思路可以简单概括为：

 

  • 卷积神经网络=处理图像效果好

  • 生成对抗网络=生成数据效果好

  • ⟹卷积神经网络+生成对抗网络=生成图像效果好

标准的 GAN 使用多层感知机作为网络结构。但是考虑到卷积神经网络在获取图像特征方面的效果，DCGAN 采用了它作为主要网络结构。同时，DCGAN 稍微做了一些调整，使用了转置卷积操作（transposed convolution operation），它的另一个名字是 Deconvolution。转置卷积帮助图像从低清晰度向高清晰度转换，同样的，采用多层转置卷积可以使图像变得生动多彩。

卷积核的工作原理。通过卷积方式将稀疏的图像矩阵转换为密集矩阵。

 

DCGAN 生成的图片。较 GAN 更清晰，有更多色彩。

 

  • 论文地址：https://arxiv.org/abs/1511.06434

  • 代码实现地址：https://github.com/floydhub/dcgan

  • 其他资源：https://towardsdatascience.com/up-sampling-with-transposed-convolution-9ae4f2df52d0

 

CGAN: 条件生成对抗网络

 

原始的 GAN 从噪声中生成图片。因此，如果训练的是一类图（例如，狗），其能生成这一类图片。但是，如果训练中同时有很多类（例如，狗和猫都有）图片，则生成的图片是这些图片模糊的混合。而 CGAN 可以让用户指定生成的图片分类。

 

具体的，CGAN 将 one-hot 向量 y 和随机噪声向量 z 拼接，组成如下的结构：

 

 

使用 CGAN 可以生成指定的 MNIST 数字。

 

  • 论文地址：https://arxiv.org/abs/1411.1784 (https://arxiv.org/abs/1511.06434)

  • 代码实现地址：https://github.com/PacktPublishing/Advanced-Deep-Learning-with-Keras (https://github.com/floydhub/dcgan)

  • 其他资源：https://wiseodd.github.io/techblog/2016/12/24/conditional-gan-tensorflow/

 

CycleGAN

利用 GAN 变体 CycleGAN 进行风格迁移。

 

GAN 不仅可以用来生成图像，还可以创造「马+斑马」这种叠加效果的图像，CycleGAN 解决的就是这种问题，即图像到图像的转换。

 

CycleGAN 包含两个生成器（G 和 F）和两个判别器（D_X 和 D_Y）。G 从 X 中得到一张图像，并尝试将其映射到 Y 中的某个图像。判别器 D_Y 预测一张图像究竟是由 G 生成的还是 Y 中的真实图像。

 

F 也进行类似的操作，即从 Y 中得到一张图像，并尝试将其映射到 X 中的某个图像。判别器 D_X 预测一张图像究竟是由 F 生成的还是 X 中的真实图像。

 

所有四个网络都是用普通 GAN 的方式训练的，直到得到强大的生成器 G 和 F，生成的图像分别骗过 D_X 和 D_Y。

CycleGAN 的结构。

 

利用 CycleGAN 将画家的画风移植到照片上。

 

  • 论文地址：https://arxiv.org/abs/1703.10593v6

  • 代码实现地址：https://github.com/junyanz/CycleGAN

 

CoGAN：成对（Coupled）生成对抗网络

想要更好的结果？为什么不试试两个 GAN？

CoGAN 的原作者这样解释：

「在这个系统中，有两个队伍，每个队伍有两个队员。生成模型是其中一个队，生成一个不属于一类图片的图片对来迷惑判别器队。判别器队尝试将图片的类，以及是否是训练数据或生成数据都判别出来。两个队伍共享权重。」

 

CoGAN 的结构。

 

CoGAN 的效果。相比 DCGAN 清晰度更高，更为真实。

 

  • 论文地址：https://arxiv.org/abs/1606.07536

  • 代码实现地址：https://github.com/mingyuliutw/CoGAN 

  • 其他资源：https://wiseodd.github.io/techblog/2017/02/18/coupled_gan/ 

 

ProGAN

 

训练 GAN 有很多问题，其中最大的问题是训练的不稳定性。

 

有时候，判别器和生成器无法从彼此学习数据。有时候，生成的图片变得非常奇怪。

 

ProGAN 可以通过逐层提高生成图片的分辨率来用来稳定 GAN 的训练。

 

这一逻辑是：生成 4x4 的图片比生成 1024x1024 图片要更简单。同时，从 16x16 的图片映射到 32x32 比从 2x2 的图片映射更容易。

因此 ProGAN 首先训练一个 4x4 的生成器和一个 4x4 的判别器，并在训练进程中逐渐增加层数，提高分辨率。

ProGAN 逐渐加深训练的过程。随着网络层数变深，图像越来越清晰。

 

  • 论文地址：https://arxiv.org/abs/1710.10196

  • 代码实现地址：https://github.com/tkarras/progressive_growing_of_gans 

 

WGAN：Wasserstein 生成对抗网络

WGAN 中的「W」指的是 Wasserstein。WGAN 提出了一种新的代价函数。

过去 GAN 的 minimax 目标函数

而 WGAN 使用：

 

GAN 的判别器和 WGAN 的判别器在学习区分高斯分布数据的情况。GAN 可能会出现梯度消失，但 WGAN 在空间内始终保持稳健的梯度变化。

新的代价函数在数学上可以防止梯度消失的情况，因此具有更好的训练稳定性。

WGAN（左）和 DCGAN（右）生成房子图片的效果对比。WGAN 更稳健，出错更少。

 

  • 论文地址：https://arxiv.org/abs/1701.07875v3

  • 代码实现地址：https://github.com/eriklindernoren/Keras-GAN

 

SAGAN：自注意力生成对抗网络

虽然使用转置卷积的 GAN 可以「扫描」图片的特征映射，但是其只能获得附近的信息。

SAGAN 使用自注意力机制，在全局图像中关注需要注意的特征信息。

SAGAN 使用注意力机制，高亮部位为注意力机制关注的位置。

 

  • 论文地址：https://arxiv.org/abs/1805.08318v1

  • 代码实现地址：https://github.com/heykeetae/Self-Attention-GAN 

 

BigGAN：大型生成对抗网络

BigGAN 由 DeepMind 提出，由于生成效果高度逼真而被誉为「史上最强 GAN 图像生成器」。

DeepMind 在研究 GAN 时尝试了前无古人的事情。他们用强大的深度学习技术训练 GAN 的网络。

 

首先，DeepMind 使用 SAGAN 作为基线，并添加了光谱特征作为输入。其次，他们将批大小提升了 50%，通道数提升了 20%。同时，研究人员使用了截断方法来提升样本的质量。最终，他们在新的数据集 JFT-300 上进行训练，这是一个类似于 ImageNet 的数据集，但是有 3 亿张图片。

BigGAN 生成的高清晰图片，包含各种类别。

 

  • 论文地址：https://arxiv.org/abs/1809.11096v2 

  • 代码实现地址：https://github.com/huggingface/pytorch-pretrained-BigGAN 

 

StyleGAN：基于风格的生成对抗网络

 

StyleGAN 来自英伟达的一项研究，关注的是损失函数、稳定性、架构等。

 

因此，StyleGAN 没有专注于生成更加逼真的图像，而是致力于提高 GAN 对生成图像的精确控制能力。

 

为了达到图像风格级别的控制，StyleGAN 使用了适应实例归一化（Adaptive instance normalization）、潜在向量映射网络、不断学习的输入等已有技术。

 

  • 论文地址：https://arxiv.org/abs/1812.04948

  • 代码实现地址：https://github.com/NVlabs/stylegan

AREH
关注
  • 17
    点赞
  • 踩
  • 122
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
GAN的发展：研究GAN的最新趋势和技术发展
禅与计算机程序设计艺术
07-13 3786
作者：禅与计算机程序设计艺术 GAN的发展：研究GAN的最新趋势和技术发展 作为人工智能领域的专家，作为一名程序员，一名软件架构师和一名 CTO，我深刻认识到 GAN（生成式对抗网络）在当今科技发展中的重要性。GAN 自诞生以来，已经在多个领域展现出了其独特的魅力，
人脸生成GAN
06-26
你将使用生成式对抗网络来生成新的人脸图像,有些模板代码已经提供给你，但还需要实现更多的功能来完成这个项目,也提供答案
Wasserstein GAN.zip
最新发布
08-19
GAN对抗神经网络的实现
VAE-GAN_GaN_
09-28
将VAE和GAN相结合，通过利用GAN鉴别器中的学习特征表示作为VAE重建目标的基础，提高生成效果
GAN_GaN_
10-02
原始生成对抗网络源码，通过利用现有的手写数字的数据集MNIST，我通过GAN生成一些能够以假乱真的手写字图片
深度学习之 生成对抗网络 GAN 及发展历程整理
ClarkChang的博客
08-27 6097
代码 import argparse import distutils.util import tensorflow as tf import numpy as np import pickle import matplotlib.pyplot as plt import os from tensorflow.examples.tutorials.mnist import input_data...
生成对抗网络 GAN 基本原理与发展历程
小哈里的博客
02-13 3896
1、什么是GAN 2、GAN的发展
GAN（生成对抗网络）发展
NCU_wander的博客
03-16 1286
引言：之前对GAN进行相关的介绍，并在组内进行分享；但之前的分享比较偏向于GAN的前世，对于GAN的今生关注的程度不高，本文重点对GAN的今生进行梳理。 GAN的今生 GAN的前世之前进行过相关总结，在此不再进行赘述，具体可以观看李弘毅老师的讲课视频，深入浅出；Goodfellow在写成 Geneative adversarial nets 这一划时代的大作的时候自然是留了为数众多的坑代填，后来...
深度学习进阶篇[9]：对抗生成网络GANs综述、代表变体模型、训练策略、GAN在计算机视觉应用和常见数据集介绍，以及前沿问题解决
丨汀、的博客
06-01 6177
​ GAN的主要思想是对抗思想：对抗思想已经成功地应用于许多领域，如机器学习、人工智能、计算机视觉和自然语言处理。最近AlphaGo击败世界顶尖人类玩家的事件引起了公众对人工智能的兴趣。AlphaGo的中间版本使用两个相互竞争的网络。对抗性示例是指与真实示例非常不同，但被非常自信地归入真实类别的示例，或与真实示例略有不同，但被归入错误类别的示例。这是最近一个非常热门的研究课题。​ 对抗式机器学习是一个极大极小问题。
科普 | ​生成对抗网络(GAN)的发展史
TensorFlowNews
04-22 2730
来源：https://en.wikipedia.org/wiki/Edmond_de_Belamy 五年前，Generative Adversarial Networks（GANs）在深度学习领域掀起了一场革命。这场革命产生了一些重大的技术突破。Ian Goodfellow等人在“Generative Adversarial Networks”中提出了生成对抗网络。学术界和工业界都开始接受并...
GAN发展.pptx 深入研究算法
10-11
GAN网络发展过程中出产了大量论文，文档介绍部分值得深入研究的算法
历时 6 年发展，GAN 领域当下最热门的“弄潮儿”都有哪些？
喜欢打酱油的老鸟
06-16 1089
2020-06-15 23:11:30 编译 | 王念 编辑 | 丛末 生成式对抗网络（Generative Adversarial Networks, GAN）诞生于2014年，它的作者Ian Goodfellow 因它而声名大噪，被誉为“GAN 之父”。 据说GAN是Goodfellow手握扎啤在酒吧灵机一动所得（咦？这篇文章突然散发出麦芽的香气）。GAN的诞生是AI界的里程碑，为这个本已生机勃勃的领域打开了一扇全新的大门。 近些年，针对GAN的研究层出不穷。科学家们纷纷为自己的工作冠以各
人有多大胆，GAN有多高产 | AI创作利器演变全过程
量子位
01-30 792
赖可 发自 凹非寺量子位 报道 | 公众号 QbitAIGAN自从诞生以来，一路升级，功能越来越强。这种强大的方法走过了怎样的进化之路？GAN的诞生和构架GAN诞生在2014年，Ian ...
深入浅出 GAN·原理篇文字版（完整）| 干货
06-13 8908
这次的内容主要是想梳理 GAN 从 NIPS 2014 被提出，到 2017年5月，都有哪些重要的从原理和方法上的重要研究。一共覆盖了25篇重要论文（论文列表见本文最下方）。 引言：GAN的惊艳应用 首先来看看 GAN 现在能做到哪些惊艳的事呢？ GAN 可以被用来学习生成各种各样的字体——也就是说，以后字迹辨认这种侦查手段很可能就不靠谱啦！这个工
GAN网络的发展（持续更新）
ygfrancois的博客
04-06 7346
GAN生成对抗网络是最近比较火的深度学习技术，这里记录一下自己学习GAN的笔记，以便日后复习。本文不会给出每种模型的细节，只是提一下主要区别和trick，同时给出相关参考链接。 GAN可以做很多事情，如自动生成动漫人物头像；做pix2pix（image2image）的工作，如给黑白图片上色，基于模糊图片生成高清图片，素描生成真实照片，将风景画“莫奈化”等；也可以用于最近比较火的AI换脸，GAN...
GAN网络理解
海绵宝宝强无敌的博客
01-10 421
GAN网络理解 笔者参考下面三个资料后，对GAN的理解做了一些记录。 资料参考：GAN 2014 paper; Understanding Generative Adversarial Networks (GANs); NIPS 2016 Tutorial: Generative Adversarial Networks Understanding Generative Adversarial Networks (GANs) GAN网络于2014年提出，作为一种新颖的网络结构被广泛使用。GAN网络主要包含
李宏毅GAN学习——传统GAN（2014年首次提出的）
weixin_43129474的博客
11-20 1645
李宏毅GAN学习GAN概述 GAN概述 GAN可让机器做的事：生成图片、句子、诗、文章… vector—>Genarator—>Image—>Discrominator—>scalar 训练目的：使从随机分布中采样的向量生成的图像的分别越接近数据库中图像的分布。 ...
DCGAN的学习笔记
qq_61879501的博客
11-04 709
有关DCGAN的初步学习
人工智能知识全面讲解：生成对抗网络的应用
Lee达森的博客
07-01 3005
13.2.1 GAN的特点GAN从2015年提出至今，短短4年的时间已经发展成为人工智能学界一个热 门的研究方向，吸引了大批研究人员来研究 GAN。除了学术界的理论研究以 外，许多科技公司已经付诸行动，将GAN应用到实际场景中。其中就包括发明 者古德费洛曾经工作过的“谷歌大脑”和“OpenAI”，以及业界知名的“脸 书”和“推特”等公司，它们都在最近两年投入了大量的精力研究GAN，如何 使它更好地生成图片与视频。 究竟是什么原因让一个新兴技术有如此快的发展呢？又是什么原因让GAN 模型在这么短的时间内吸引了
详细介绍GAN模型的发展历程
05-19
GAN的发展历程可以概括为以下几个阶段： 1. 传统的生成模型：传统的生成模型主要是基于概率统计的方法，如高斯混合模型和隐变量模型等。这些模型的生成能力较弱，无法生成具有高度逼真度的图像等复杂数据。 2. ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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
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