无监督的有条件生成
introduce
回顾无监督学习:
举例
Direct Transformation
第一种做法:直接转(多用于纹理或颜色变化)
最开始的想法:
缺点:可能得不到我们的答案
解决办法有很多:
第一种:直接忽略
如果你的NN不是很深,ML只会在输入的image上做出轻微的改变,所以可以不用不管
第二种:改变NN架构,加入encoder
第三种做法:Cycle GAN
也可以双向
例子:将动画角色,转换成银色头发
Cycle GAN遇到的问题
隐写术:(ML会隐藏一些信息)
StarGAN
多domain直接转换
网络架构
举例
Projection to Common Space
当input和output的差距很远时,直接转肯定是不现实的,我们可以利用auto-encoder,先用encoder提取输入input的特征,然后再用decoder将特征转换成我们像想要的output
但是显然这个架构并不是考虑的很全面
缺点在于:我们的encoder和decoder都是分开训练的,所以他们所说的“语言”不同(比如说ENx提取特征得到的vector的第一维代表的是眼睛大小,但是ENy取特征得到的vector的第一维代表的是头发长度)
我们解决的办法也有很多
第一个参数共享
第二个 加一个discriminator
还有combo GAN、XGAN等,不一一说明