正文字数:2840 阅读时长:6分钟
生成式对抗网络(GAN)是一种能够生成新内容的生成模型。由于其有趣的应用,如生成合成训练数据、创建艺术、风格转换、图像到图像的翻译等,这个话题在机器学习的领域中非常流行。
Posted by Fathy Rashad
url : https://www.yanxishe.com/TextTranslation/2826
生成式对抗网络
GAN架构 [Image by Author]
GAN由2个网络、即发生器/生成器和鉴别器组成。生成器将尝试生成假样本,并欺骗鉴别器相信它是真实样本。鉴别器将尝试从真样本和假样本中检测生成的样本。这个有趣的对抗概念是由伊恩·古德费罗(Ian Goodfellow)在2014年提出的。已经有很多资源可以用来学习GAN,因此我不解释GAN以避免冗余。
我建议阅读Joseph Rocca 的这篇文章来了解GAN。
理解生成式对抗网络(GANs)
https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Ftowardsdatascience.com%2Funderstanding-generative-adversarial-networks-gans-cd6e4651a29
风格GAN2
2018年,NVIDIA发布了StyleGAN论文“A Style-Based Architecture for GANs”。该文提出了一种新的GAN生成器结构,允许他们控制生成的样本的不同层次的细节水平,从粗略的细节(如头部形状)到更精细的细节(如眼睛颜色)。
StyleGAN还融合了Progressive GAN的思想,即网络最初在较低分辨率(4x4)上训练,然后在稳定后逐渐添加更大的层数。通过这样做,训练时间变得更快,训练也更加稳定。
渐进式增长GAN [Source: Sarah Wolf]
StyleGAN进一步改进了它,增加了一个映射网络,将输入向量编码成一个中间的潜伏空间,w,然后将有单独的值用来控制不同层次的细节。