GANs基础调研报告

最新推荐文章于 2022-11-26 17:34:04 发布

随手笔记_000333

最新推荐文章于 2022-11-26 17:34:04 发布

阅读量1.7k

点赞数 1

分类专栏： GAN 文章标签： GANs DCGAN WGAN CGAN BEGAN

本文链接：https://blog.csdn.net/superyr_210/article/details/78184493

版权

本文介绍了Generative Adversarial Networks（GANs）的基本原理，包括其好处和挑战。深入讨论了DCGAN，它利用卷积神经网络改进训练，但也存在生成图像不稳定的问题。接着，探讨了Wasserstein GAN（WGAN），解决了传统GAN的梯度消失问题，并且通过Wasserstein距离提供更稳定的训练。最后，提到了Conditional GAN（CGAN），它通过条件信息实现无监督到有监督的转换，增强了生成器的可控性。文章引用了多个相关研究论文作为参考。

摘要由CSDN通过智能技术生成

GAN

DCGAN

WassersteinGAN

Conditional GAN

1.1 GAN的原理
核心是：x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片。D(x)表示D网络判断真实图片是否真实的概率，D(G(z))是D网络判断G生成的图片的是否真实的概率。

方法是构建两个网络，一个G生成网络，一个D区分网络。训练，G网络loss log(1-D(G(z)))，D网络loss -(log(D(x))+log(1-D(G(z)))。数据输入，G网络输入noise。D输入混合G输出数据及样本数据。G网络训练，D(G(z))趋近于1,G loss最小。D网络训练 2分类，分清真实数据和生成数据，真实数据D输出趋近1,生成数据输出D(G(z))趋近0。

1.2 GAN的好处和缺点
1、Gans是一个Implict的建立学习密度函数过程，减少了人为的建模。
2、GAN的生成过程不需要繁琐的采样序列，可以直接进行新样本的采样和推断，提高了新样本的生成效率。