![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GAN
文章平均质量分 73
生成对抗网络
马鹏森
这个作者很懒,什么都没留下…
展开
-
★理解生成对抗网络GAN的训练过程
2.1 GAN的基本结构GAN的主要结构包括一个生成器G(Generator)和一个判别器D(Discriminator)。在上面的例子中的球员就相当于生成器,我们需要他在球场上能有好的表现。而球员一开始都是初学者,这个时候就需要一个教练员来指导他们训练,告诉他们训练得怎么样,直到真的能够达到上场的标准。而这个教练就相当于判别器。下面我们举另外一个手写字的例子来进行进一步窥探GAN的结构。我们现在拥有大量的手写数字的数据集,我们希望通过GAN生成一些能够以假乱真的手写字图片。主要由如下两个部原创 2020-12-30 14:54:53 · 17711 阅读 · 0 评论 -
GAN Inversion(GAN 反演)
在生成过程中,我们通过将z输入G,然后得到图像,但是你这个Z是不定的(随机的高斯分布噪声),所以即使你得到了质量好的生成图像,但是依然无法通过修改你这个图像对应的Z来实现图像编辑。为了可以实现图像编辑,我们需要找到这个图像对应的latent z,也就是一个可以被调控的tensor,那么我们就可以通过修改tensor的某些维度来实现对图像的编辑。那么找到这个latent z的过程就是inversion。原创 2024-08-29 09:55:57 · 218 阅读 · 0 评论 -
LPIPS 图像相似性度量标准、感知损失(Perceptual loss)
LPIPS 图像相似性度量标准(感知损失)原创 2022-11-03 09:48:35 · 28758 阅读 · 16 评论 -
计算机视觉CV中的常用数据集
计算机视觉CV中的常用数据集原创 2022-10-09 20:11:37 · 920 阅读 · 0 评论 -
【预训练GAN】Ensembling Off-the-shelf Models for GAN Training(GAN模型迎来预训练时代,仅需1%的训练样本)
Ensembling Off-the-shelf Models for GAN Training(GAN模型迎来预训练时代,仅需1%的训练样本)原创 2022-10-01 15:58:25 · 1371 阅读 · 3 评论 -
对抗机器学习(Adversarial Machine Learning)发展现状
目录1. 了解对手1. 1 攻击目标(Goal)1. 2 知识储备(Knowledge)1.3 能力限制(Capability)1.4 攻击策略(Strategy)2. 学会主动2.1 躲避攻击(Evasion Attack)2.2 毒药攻击(Poisoning Attack)3. 保护自己3.1 反应式防御(Reactive Defense)3.2 主动式防御(Proactive Defense)总结现在的模式识别技术(Pattern Recogniti原创 2020-11-02 19:03:39 · 18216 阅读 · 2 评论 -
DCGAN
UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS (基于深度卷积生成对抗网络的无监督表示学习)1 INTRODUCTIONLearning reusable feature representations from large unlabeled datasets has been an area of active research.We propose t原创 2021-03-15 11:00:01 · 16224 阅读 · 0 评论 -
StarGAN v2: Diverse Image Synthesis for Multiple Domains (多域多样性图像合成)
StarGAN v2: Diverse Image Synthesis for Multiple Domains (多域多样性图像合成)原创 2022-09-13 10:41:49 · 2464 阅读 · 6 评论 -
GAN + Video Inpainting的一些思考和相关论文
DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network(图像恢复-去除阴影)code and paper:DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network | Papers Wit.原创 2022-04-19 16:25:04 · 912 阅读 · 0 评论 -
patchGAN再次理解【相比于原始D全图输出true/false,patchGAN可以关注更多的区域】
这种GAN的差别主要是在于Discriminator上,一般的GAN是只需要输出一个true or fasle 的矢量,这是代表对整张图像的评价;但是PatchGAN输出的是一个N x N的矩阵,这个N x N的矩阵的每一个元素,比如a(i,j) 只有True or False 这两个选择(label 是 N x N的矩阵,每一个元素是True 或者 False),这样的结果往往是通过卷积层来达到的,因为逐次叠加的卷积层最终输出的这个N x N 的矩阵,其中的每一个元素,实际上代表着原图中的一个比较大的感受原创 2021-12-30 16:38:40 · 6661 阅读 · 0 评论 -
从双层优化视角理解对抗网络GAN
我倾向于从双层优化视角去解释对抗网络,我要输出的观点有:不建议用博弈论思想(game theory)去理解对抗网络,减弱生成器G 与判别器D 间的对抗属性有利于稳定训练。 不要把判别器理解成一个分类器(Discriminator, Classifier),让判别器回归判别属性,像Critic 那样输出一个评分。这样能让判别器为生成器提供更良好的优化梯度。 神经网络A可以用标好的数据去训练,这是单层优化。若数据没有被标记,我也可以训练网络B对数据进行标记,之后网络A可以在B的协助下进行训练,这是双层优原创 2021-10-11 21:48:48 · 17248 阅读 · 1 评论 -
pix2pix, CycleGAN和pix2pixHD(没有公式,容易理解)
pix2pix:有条件地使用用户输入,它使用成对的数据(paired data)进行训练。 CycleGAN:使用不成对的数据(unpaired data)的就能训练。 pix2pixHD:生成高分辨率、高质量的图像。1.pix2pix2.cyclegGAN(使用不成对的数据)同时要保证原图与生成图片可以相互转换不丢失信息3.pix2pixHD先输出低分辨率的图片。 将之前输出的低分辨率图片作为另一个网络的输入,然后生成分辨率更高的图片。具体信息看原文:htt..原创 2021-04-22 15:14:12 · 16764 阅读 · 0 评论 -
pix2pix笔记(B站,更加清晰)
原创 2021-04-06 11:02:55 · 16479 阅读 · 0 评论 -
CGAN原理分析
1、CGAN原理分析1.1 网络结构CGAN是在GAN基础上做的一种改进,通过给原始GAN的生成器Generator(下文简记为G)和判别器Discriminator(下文简记为D)添加额外的条件信息y,实现条件生成模型。CGAN原文中作者说额外的条件信息可以是类别标签或者其它的辅助信息,本文使用条件信息(记为y)作为例子。因此CGAN的提出使得GAN可以利用图像与对应的标签进行训练,并在测试阶段利用给定标签生成特定图像。CGAN的核心操作是将条件信息加入到G和D中(其实就是G和D都加入类别标签原创 2021-04-03 17:27:33 · 24415 阅读 · 0 评论 -
WGAN的来龙去脉
GAN:两者分布不重合JS散度为log2的数学证明?https://blog.csdn.net/Invokar/article/details/88917214原创 2021-04-01 16:12:55 · 17544 阅读 · 0 评论 -
WGAN
WGAN相比原始GAN的算法实现流程却只改了四点:判别器最后一层去掉sigmoid 生成器和判别器的loss不取log 每次更新判别器的参数之后把它们的绝对值截断到不超过一个固定常数c 不要用基于动量的优化算法(包括momentum和Adam),推荐RMSProp,SGD也行...原创 2021-04-01 15:20:52 · 16900 阅读 · 0 评论 -
生成对抗网络(GAN)的发展史 + StyleGAN的发展史
目录诞生青春期1.DCGAN2.BigGAN3.StyleGAN4.StackGAN5.CycleGAN6.Pix2pix7.Age-cGAN(Age Conditional Generative Adversarial Networks)Edmond de Belamy这个人并不存在Deep Fakes未来发展现在诞生生成器网络将来自潜在空间的随机噪声矢量(不是来自潜在空间的所有GAN样本)变换为真实数据集的样本。GAN具有大量的实际用例原创 2021-03-26 21:07:27 · 20436 阅读 · 0 评论 -
DCGAN训练人脸照片,pytorch
4、模型设计1、生成器论文中生成器的结构如图:生成器将潜在向量z(白噪声)转换为特定大小的图片数据,转换由一系列逆卷积操作完成,最后通过tanh函数转换成模型需要的[-1, 1]数值范围的张量。超参数的选择严格按照论文给出,值得注意的是,每一个逆卷积层后都有一个批量标准化层BN,这是DCGAN论文的关键贡献,BN层有助于解决反向转播时梯度消失或爆炸的问题。2、判别器判别器是正常的二元分类网络,输入图像数据,输出为真实样本的概率。不同的是,卷积层后没有添加池化层,而是采用跨步卷积的方式原创 2021-03-23 20:54:57 · 16544 阅读 · 0 评论 -
GAN学习总结
1.什么是GAN?GAN 模型中的两位博弈方分别由生成式模型(generative model)和判别式模型(discriminative model)充当。生成模型 G 捕捉样本数据的分布,用服从某一分布(均匀分布,高斯分布等)的噪声 z 生成一个类似真实训练数据的样本,追求效果是越像真实样本越好; 判别模型 D 是一个二分类器,估计一个样本来自于训练数据(而非生成数据)的概率,如果样本来自于真实的训练数据,D 输出大概率,否则,D 输出小概率。 如下图二次元人物生成过程,上图为Gen原创 2021-03-15 09:06:55 · 16739 阅读 · 1 评论 -
交叉熵【度量两个概率分布间的差异性信息】
参考:https://baike.baidu.com/item/%E4%BA%A4%E5%8F%89%E7%86%B5/8983241?fr=aladdin交叉熵(Cross Entropy)是信息论中一个重要概念,主要用于度量两个概率分布间的差异性信息。语言模型的性能通常用交叉熵和复杂度来衡量。交叉熵的意义是用该模型对文本识别的难度,或者从压缩的角度来看,每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数,其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值,原创 2020-12-30 15:03:34 · 18297 阅读 · 1 评论 -
超分辨率技术,随机噪声
超分辨率技术(Super-Resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在监控设备、卫星图像和医学影像等领域都有重要的应用价值。随机噪声:首先看两张图片,大小均为256 * 256个像素, 第一张是纯蓝色 图一:第二张是加有随机噪声的蓝色 图二:...原创 2020-12-29 09:24:58 · 16316 阅读 · 0 评论 -
SinGAN: Learning a Generative Model from a Single Natural Image
Abstract(摘要)We introduce SinGAN, an unconditional generative model that can be learned from a single natural image. Our model is trained to capture the internal distribution of patches within the image, and is then able to generate high quality, divers..原创 2020-12-27 17:41:21 · 16786 阅读 · 3 评论