机器学习——GAN4(InfoGAN)
InfoGAN的内容:
存在一个可以预测出生成图片x的code(c)的Classifier
如果没有Discriminator,则generator可能不会生成正常图片,而是只生成能让classifer认出的图片
C的每一个维度都必须对x有很明确的影响。
z代表纯粹随机,无法解释的东西
VAE-GAN
BiGAN
使用这种方法相比下面的方法,两者特性很大区别,auto-encoder语义捕捉清晰,但是图片可能不清晰。
Triple GAN
利用GAN增加training data
Domain-adversarial training
当training 与testing数据在不同domain中时,直接训练效果会很差:
通过generator提取feature,feature会反应同样的distribution
同时保证domain classifier无法分辨且label predictor保证好的结果:
Feature Disentangle
Intelligent photo edit
利用encoder来实现generator的逆推,通过图像得到生成这张图象需要的vector——z
使图像更加清晰: