感觉顺序要调整下,先GAN再DCGAN再Diffusion
生成式对抗网络(GAN)是一种前沿的无监督学习模型,由Goodfellow在2014年提出。它包含生成器和判别器两个对抗组件:生成器负责创造逼真的假图像,判别器则判断图像真假。两者相互竞争,推动对方性能提升。训练中,生成器不断学习生成更高质量的假图像以欺骗判别器,而判别器则学习更准确地识别真假图像。理想状态下,当生成图像与真实图像分布一致时,判别器的判断准确率将达到随机水平。GAN的目标是通过这种对抗过程,使生成模型输出的数据分布接近真实数据分布,实现高质量的图像生成。尽管GAN在图像生成方面取得了巨大成功,但其训练过程复杂且存在稳定性挑战。
GAN的训练过程
在训练过程中,生成器和判别器通过以下步骤进行博弈:
初始阶段:训练初期,生成器和判别器的表现都较差,生成器生成的图像与真实数据差距较大。
判别器优化:判别器通过计算损失函数,调整参数,使得真实样本的概率尽可能接近1,生成样本的概率尽可能接近0。
生成器优化:生成器根据判别器的反馈,优化其输出,使得生成的图像更贴近真实数据分布。
达到平衡:当生成器生成的图像分布与真实图像分布完全一致时,判别器将无法区分两者,此时其输出概率为0.5。