cycleGAN的整体架构+损失函数理解

最新推荐文章于 2022-05-24 12:17:51 发布
最新推荐文章于 2022-05-24 12:17:51 发布
阅读量1.9w 收藏 16
点赞数 2
分类专栏： 图像转换 文章标签： 机器学习 人工智能
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/weixin_43135178/article/details/120455510
版权

CycleGAN PyTorch

另外，我们引入了两个判别函数：

  • 用于区分{x} 与 {F(y)} 的 Dx
  • 用于区分{y} 与 {G(x)} 的 Dy 。

我们的构建的模型包含两类组件(Our objective contains two types of terms)：

  • 对抗损失(adversarial losses)，使生成的图片在分布上更接近于目标图片；
  • 循环一致性损失(cycle consistency losses)，防止学习到的映射 G与F 相互矛盾。





CycleGAN算法笔记_AI之路-CSDN博客_cyclegan

结合下面的图来理解

这里写图片描述这里写图片描述、、

包含两个生成器和两个鉴别器

 

 

Pengsen Ma
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
GAN生成对抗网络合集（七）：cycleGAN—循环损失的提出 / starGAN
dexterod的博客
06-03 1万+
cycleGAN源文：https://arxiv.org/abs/1703.10593 cycleGAN笔者实践代码：https://github.com/leehomyc/cyclegan-1 ----------------------------------------------------------------------------------------------------------------------------------------- 1 cycleGAN大体思路 到了cyc
Pytorch十九种损失函数的使用详解
12-20
损失函数通过torch.nn包实现， 1 基本用法 criterion = LossCriterion() #构造函数有自己的参数 loss = criterion(x, y) #调用标准时也有参数 2 损失函数 2-1 L1范数损失 L1Loss 计算 output 和 target 之差的绝对值。 torch.nn.L1Loss(reduction='mean') 参数： reduction-三个值，none: 不使用约简；mean:返回loss和的平均值； sum:返回loss的和。默认：mean。 2-2 均方误差损失 MSELoss 计算 output 和 target 之差的均
图像风格迁移 CycleGAN原理
TranSad的博客
05-24 8554
CycleGAN是一种很方便使用的用于进行图像风格转换的模型。它的一大优势就在于不需要成对的数据集就可以进行训练。比如我们只需要随便一大堆真人图像和随便另一大堆动漫图像，就可以训练出这两类风格互相转换的模型。 CycleGAN进行风格转换的原理是这样的：在CycleGAN模型中有两个生成器和两个判别器。如下图所示，生成器G能够实现X域到Y域的转换，判别器Dy可以判断输入图像是否是符合Y域的图像；生成器F能实现Y域到X域的转换，判别器Dx可以判断输入图像是否是符合X域的图像。 Cycl....
CycleGan总结及简易复现
Squid87的博客
06-15 2290
Involution 笔记： 提出的原因： ​ 传统卷积具有 ： ​ ①空间不变性：卷积核共享。能有效地节省模型参数，且能维护平移的等变性。由于不能引入过多的参数，所以采用比较小的卷积核，但是小的卷积核（如3*3）不能获得广的感受野 （因此involution更容易检测出大物体） ​ ② 通道特异性：能在不同的通道中包含不同的语义信息，有可能存在冗余 ​ 原本卷积核需要的参数数量 = C0（输入通道）×Ci（输出通道）×K×K 所以传统卷积比较难去得到长距离的感知，所以提出involution。 ​
CycleGAN算法笔记
AI之路
08-04 2万+
论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 论文链接：https://arxiv.org/abs/1703.10593 代码链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix CycleGAN是发表在ICCV20...
详解GAN代码之简单搭建并详细解析CycleGAN
热门推荐
jiongnima的博客
04-29 3万+
训练数据集1：斑马与马下载链接：https://pan.baidu.com/s/1Zf6hvoDMsMi51WIPEOoqzg 密码：gua5训练数据集2：橘子与苹果下载链接：https://pan.baidu.com/s/1R0s2eaBxMCozbCCs7_1Juw 密码：z9y1训练数据集3：填充轮廓->建筑照片下载链接：https://pan.baidu.com/s/1xUg8AC7...
论文记录3_CycleGAN-损失函数部分
zxm_的博客
11-14 6171
论文地址：https://arxiv.org/abs/1703.10593 文章目录网络架构损失函数 网络架构 损失函数 生成对抗损失： 生成器G的目标是将X空间中的样本转化成Y空间中的样本。 生成器G将学习X->Y的映射。 根据交叉摘损失，可以构造下面的损失函数 D为判别器，输出值[0,1]，Dy=1代表输出来自Y空间 引入生成器F(映射器），目标是将Y空间中的样本转化为X空间中的压不方便，学习Y->X的映射。 F的损失函数与与G相似 循环一致性损失： 最终的损失函数： 注：
CycleGAN详解
Soheyi的博客
08-19 5066
原文地址：https://arxiv.org/abs/1703.10593 图像生成领域用的比较多的是VAE和GAN。VAE可以作为一种数据降维的方法，可以尝试做特征解耦，然后做风格图像合成等任务。GAN网络简单高效，通过判别器和生成器的互相“拆台”，共同完成模型训练。（注：所谓“互相拆台”也就是造假图像经过判别器之后得到的logist向什么方向优化，生成器的参数优化时要让他和1更加接近，因此计算它和1的损失；判别器的参数优化时，需要它和0更加接近，因此计算它和0的损失）判别器参数和生成器参数分开优化。
CycleGAN（六）模型结构更改
祥瑞的技术博客
04-02 8509
目的：更改模型结构用于我们的实验，增加为两个判别器。 参考：后面链接为作者给的更改模型的模板，我们需要在cycle_gan.py的基础上进行更改。https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix/blob/master/models/template_model.py 更改后代码已经共享到github：https://github....
cycleGAN
CHNguoshiwushuang的博客
07-27 5580
   传统GAN的原理已经了解，写博客还是为了学习新东西，cycleGAN网上已经有了很多介绍，这里也是参考别人写的东西，自己再学习了解。    cycleGAN个人感觉主要可以用于风格迁移，可以用来处理图像转换过程中数据unpair的问题。其本质是两个对称的GAN,构成一个环形网络。两个GAN共享两个生成器，并各自带一个判别器，即总共两个判别器和两个生成器。其基于的原理是，一个A类型的图片，经...
CycleGAN（五）loss解析及更改与实验
祥瑞的技术博客
04-01 3万+
目的：弄懂loss的定义位置及何更改。 目录 一、论文中loss定义及含义 1.1 论文中的loss 1.2 adversarial loss 1.3 cycle consistency loss 1.4 总体loss 1.5 idt loss 二、代码中loss定义 2.1 判别器D的loss 2.2 生成器G的loss 2.3 Idt loss 2.4 定义位置汇总 ...
损失函数（loss function）PPT
11-11
损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。
CycleGAN_ssim:比较不同的相似度函数在CycleGAN上重建图像。 （https
05-10
CycleGAN_ssim 该项目是项目的扩展。 实现和训练有素的周期一致剖成对抗性网络（CycleGAN）如在所描述的具有不同的，具体地SSIM损失，损耗L1，L2损失和它们的组合，以产生更好的视觉质量的图像。 图1：CycleGAN工作 对于CycleGAN实现与L1损失是指。 对于官方CycleGAN执行读取。 先决条件 Python 3.3以上 Tensorflow 1.6+ 枕头（PIL） （可选） 用法 训练模型： > python train_cycleGAN_loss.py --data_path monet2photo --input_fname_pattern .jpg --model_dir cycleGAN_model --loss_type l1 data_path：具有trainA和trainB文件夹的目录的路径（具有这些特定名称（trainA，tra
YOLOV3-损失函数及其源代码理解
01-06
YOLOV3-损失函数及其源代码理解（yolo_layer.c） 讲得好 https://github.com/AlexeyAB/darknet/issues/821 x,y,w,h 损失 原版的bbox损失为MSE，其后又GIOU，DIOU… delta即为求完损失的梯度 公式对应图 思路及具体...
softmax回归+损失函数+图片分类数据集
最新发布
08-22
softmax回归+损失函数+图片分类数据集
PS将一张图片裁剪/划分为多块
简单记录生活、学习
10-05 2万+
将一个图片裁剪为平均的几张图片 1、首先在电脑是将Photoshop软件打开，接下来就是在PS软件中打开需要分割的图片。 2、接下来按“Ctrl+j”快捷键，把刚刚的图片复制一层。 3、然后在左边工具栏中选择箭头所指处的“切片工具”。 4、然后在图片上点击鼠标右键，在列表中选择“划分切片”，在对话框中选择需要划分的数目，点击“确定”即可。 5、接下来在上方工具栏中选择“文件”-“导出”-“存储为web所用格式”，然后选择红色箭头所指处的“存储”即可。 ...
深入理解——亚像素 / sub-pixel、亚像素卷积
简单记录生活、学习
06-23 2万+
目录 1.1 亚像素理解 1.2 何谓亚像素？ 1.3 何谓亚像素精度？ 摘要： 2 图像处理中的sub-pixel是什么意思？ 3 PixelShuffle(像素重组) 1.1 亚像素理解 在相机成像的过程中，获得的图像数据是将图像进行了离散化的处理，由于感光元件本身的能力限制，到成像面上每个像素只代表附近的颜色。例如两个感官原件上的像素之间有4.5um的间距，宏观上它们是连在一起的，微观上它们之间还有无数微小的东西存在，这些存在于两个实际物理像素之间的像素，就被称为“亚像素”。 亚像素
pix2pix算法笔记（精）
简单记录生活、学习
04-04 2万+
pix2pix是基于cGAN实现图像翻译，因为cGAN可以通过添加条件信息来指导图像生成，因此在图像翻译中就可以将输入图像作为条件，学习从输入图像到输出图像之间的映射，从而得到指定的输出图像。而其他基于GAN来做图像翻译的，因为GAN算法的生成器是基于一个随机噪声生成图像，难以控制输出，因此基本上都是通过其他约束条件来指导图像生成，而不是利用cGAN，这是pix2pix和其他基于GAN做图像翻译的差异。 一.工作流程: pix2pix算法的示意图如图Figure2所示，在图中以基于图像边缘生成图像为例介
python处理一个文件夹下的所有文件并保存在新的文件夹
简单记录生活、学习
09-30 2万+
python处理一个文件夹下的所有文件并保存在新的文件夹
编程实现将岭回归损失函数作为CycleGAN算法的对抗损失函数
06-01
CycleGAN是一种无监督图像转换算法，其基本思想是通过两个生成器和两个判别器之间的对抗训练来实现两个域之间的图像转换。在CycleGAN中，对抗损失函数是一个关键的组成部分，用于训练两个判别器和两个生成器。 将岭回归损失函数作为CycleGAN算法的对抗损失函数的方法是，将岭回归损失函数的输出作为CycleGAN判别器的损失函数，并将生成器的损失函数中加入一个岭回归损失项，以增强生成器的稳定性和泛化能力。 下面给出一个简单的实现示例： ```python import torch.nn.functional as F def cycle_gan_loss(real_A, real_B, fake_A, fake_B, G_AB, G_BA, D_A, D_B, lambda_ridge): # Adversarial loss pred_real_A = D_A(real_A) loss_D_A_real = F.binary_cross_entropy(pred_real_A, torch.ones_like(pred_real_A)) pred_fake_A = D_A(fake_A.detach()) loss_D_A_fake = F.binary_cross_entropy(pred_fake_A, torch.zeros_like(pred_fake_A)) loss_D_A = (loss_D_A_real + loss_D_A_fake) / 2 pred_real_B = D_B(real_B) loss_D_B_real = F.binary_cross_entropy(pred_real_B, torch.ones_like(pred_real_B)) pred_fake_B = D_B(fake_B.detach()) loss_D_B_fake = F.binary_cross_entropy(pred_fake_B, torch.zeros_like(pred_fake_B)) loss_D_B = (loss_D_B_real + loss_D_B_fake) / 2 # Ridge regression loss ridge_loss_G_AB = ridge_loss(fake_B, real_A, G_AB.parameters(), lambda_ridge) ridge_loss_G_BA = ridge_loss(fake_A, real_B, G_BA.parameters(), lambda_ridge) # Generator loss pred_fake_A = D_A(fake_A) loss_G_A = F.binary_cross_entropy(pred_fake_A, torch.ones_like(pred_fake_A)) pred_fake_B = D_B(fake_B) loss_G_B = F.binary_cross_entropy(pred_fake_B, torch.ones_like(pred_fake_B)) loss_cycle_A = F.l1_loss(real_A, G_BA(fake_B)) loss_cycle_B = F.l1_loss(real_B, G_AB(fake_A)) loss_G = loss_G_A + loss_G_B + lambda_ridge * (ridge_loss_G_AB + ridge_loss_G_BA) + lambda_cycle * (loss_cycle_A + loss_cycle_B) return loss_D_A, loss_D_B, loss_G ``` 其中，`real_A`和`real_B`是真实的图像，`fake_A`和`fake_B`是生成器生成的图像，`G_AB`和`G_BA`是两个生成器，`D_A`和`D_B`是两个判别器，`lambda_ridge`是岭回归损失的正则化系数。 该函数返回三个损失：判别器D_A的损失，判别器D_B的损失和生成器的损失。其中，生成器的损失包括三个部分：对抗损失、循环一致性损失和岭回归损失。岭回归损失通过调用`ridge_loss()`函数得到。

“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
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

打赏作者

Pengsen Ma

太谢谢了

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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