第十八周周报

最新推荐文章于 2024-08-28 10:58:30 发布

童、一

最新推荐文章于 2024-08-28 10:58:30 发布

阅读量420

点赞数

分类专栏：周报文章标签：人工智能深度学习 python

本文链接：https://blog.csdn.net/weixin_44432831/article/details/128587046

版权

周报专栏收录该内容

60 篇文章 1 订阅

订阅专栏

Diffusion-GAN提出了一种新的架构，将扩散过程与GAN结合，通过可微的扩散过程优化生成器，并在鉴别器中引入噪声防止过拟合。该模型包括自适应扩散过程和时间步长相关的鉴别器。通过调整时间步长控制噪声强度，提高生成图像的质量。实验对比了StyleGAN2和DiffusionStyleGAN2的表现。

摘要由CSDN通过智能技术生成

学习目标：

一、修改GAN+DDPM的代码

二、阅读GAN和DDPM相结合的论文

学习内容：

改了ViTGAN的代码

阅读了《Diffusion-GAN: Training GANs with Diffusion》论文

学习时间：

12.31-1.6

学习产出：

Diffusion-GAN: Training GANs with Diffusion

1、介绍

提出一种新的GAN架构——Diffusion GAN，将扩散过程设计为可微的，使得能够根据鉴别器的梯度更新生成器，并在判别器中加入噪声防止过拟合。
Diffusion-GAN由三部分组成：自适应扩散过程、扩散时间步长相关鉴别器和发生器。

2、工作

1、通过扩散注入噪声：定义一个混合分布q(y | x)对扩散过程获得的噪声样本进行建模，且每一个时间步t都有一个混合权重πt。
2、改进了GAN的目标函数，通过将鉴别器设计为可微的使得生成器能够相应进行更新。
3、自适应扩散：将时间步与鉴别器联系起来，扩散步长t越大，噪声越强，鉴别任务越难，为了控制扩散强度，可以自适应地修改最大步数T。
4、提出了两个定理对论文进行了有力的论证