第十九周周报

最新推荐文章于 2024-04-23 09:10:36 发布
最新推荐文章于 2024-04-23 09:10:36 发布
阅读量187 收藏
点赞数
分类专栏： 周报 文章标签： 人工智能 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_44432831/article/details/128681281
版权
本周学习了Diffusion-GAN的实现，采用了stylegan2的结构，生成器和鉴别器分别进行上、下采样。在生成图片后，通过鉴别器的加噪处理计算损失函数。此外，还涉及了OCR项目的去阴影技术。每四轮更新一次时间步。
摘要由CSDN通过智能技术生成

学习目标：

第十九周周报

学习内容：

Diffusion-GAN的代码

OCR项目去阴影

学习时间：

1.7-1.14

学习产出：

Diffusion-GAN的Code

1、Generator和Discriminator

生成器和鉴别器采用stylegan2的代码及结构
在这里插入图片描述

在这里插入图片描述
生成器由全连接层、自定义卷积层和torgb组成，然后进行上采样。
鉴别器同生成器一样，不同的是进行下采样。

2、Diffusion

扩散过程采用的公式：
在这里插入图片描述
在这里插入图片描述
在生成器生成图片后，鉴别器会对图像进行加噪之后才鉴别
在这里插入图片描述
损失函数与stylegan2一样。

每四轮更新一下时间步
在这里插入图片描述
在这里插入图片描述

童、一
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
化工行业2018年第19周周报：有机硅、醋酸、PVC价格上涨.pdf
08-22
化工行业2018年第19周周报：有机硅、醋酸、PVC价格上涨.pdf
【StyleGAN代码学习】StyleGAN损失函数与训练过程
a312863063的博客
12-10 1万+
完整StyleGAN笔记：http://www.gwylab.com/pdf/Note_StyleGAN.pdf 基于StyleGAN的一个好玩的网站：www.seeprettyface.com —————————————————————————————————    第二章 StyleGAN代码解读（下） 2.3 损失函数代码解读   StyleGAN的损失函数写在training/loss.p...
深度探索：机器学习中的StyleGAN算法原理及其应用
最新发布
qq_51320133的博客
04-23 1119
StyleGAN凭借其创新的架构设计和高效的训练策略，成功突破了传统GAN在图像生成领域的局限，开启了高质量、高可控性图像合成的新篇章。尽管存在训练难度大、模式塌陷等问题，但随着硬件技术的进步和算法优化研究的深入，这些问题有望得到进一步解决。未来，StyleGAN有望在更多领域发挥作用，如视频生成、3D对象建模、跨域图像翻译等，同时也可能推动GAN理论的进一步发展，诸如更深入的风格理解和控制、更高效的训练方法等研究方向值得期待。
GAN损失函数公式详细推导（含完整代码）
学姐带你玩AI的博客
03-14 7878
GAN是由生成器G和判别器D组成，通过大量样本数据训练使得生成器的生成能力和判别器的判别能力在对抗中逐步提高，最终目的是让生成器G输入到生成器中生成假的样本。
风格迁移0-10：stylegan-源码无死角解读(6)-loss损失函数详解
江南才尽江南山，年少无知年少狂！
09-26 5071
上面有详细的注解，细节部分我就不说了。这里为大家简单的提一下他们之间的区别。可以很明确的看到，G_logistic_nonsaturating计算的损失，都是生成图片的损失，因为他的目的十分的单纯，就是为了生成逼真的图片，所以只需要对生成的图片进行损失计算即可。但是对于判别网络，他的目的是在于鉴别图片的真假。他不仅要判断出造假的图片，还要判断出真实的图片。无论是造假还是真实他都要进行损失计算。这个就是生成网络和判别网络的区别。一路走来，或许讲解得不是很详细，但是的确花费了不少心思。...
GAN 网络的损失函数介绍代码
tony365的博客
03-07 1780
pixel_opt:相比于一般的l1 loss多了 loss weight, reduction, weight三个功能。首先loss_util.py文件定义weight_lossArgs:Returns:"""else:Args:Returns:"""else::Example:tensor(3.)"""loss = loss_func(pred, target, **kwargs) # 这里 reduction='none'接下来定义带weight的L1 loss。
GAN（Generative Adversarial Nets (生成对抗网络)）
qq_42728437的博客
05-15 3211
②部分，此时判别器D的输入为G(z)，为假图像，但是我们期望的是生成器的效果好，即尽可能的瞒过D，也就是期望D(G(z))尽可能大，越大表示D判定假图像为真实数据的概率越大，也就表明生成器G生成的图像效果好，可以成功的骗过D。在训练的时候，D(G(z))越大越接近于1，y越小，生成器生成的假图越被判别器误判为真图。但训练刚开始时，生成的图像太假，太容易被判别器识破，D(G(z))接近0，log(1-D(G(z)))饱和无梯度，所以将最小化log(1-D(G(z)))变为最大化log(D(G(z)))
新能源设备第19周周报：光伏补贴新政落地，标杆电价改为指导电价.pdf
07-13
新能源设备第19周周报：光伏补贴新政落地，标杆电价改为指导电价.pdf
汽车第19周周报：新能源车销量高增长，电动智能化产业链将渐入佳境.zip
10-16
本周报聚焦于汽车行业的第19周，揭示了新能源车市场的一个重要现象：销量呈现高增长态势，同时电动智能化产业链也正逐步进入黄金发展期。 新能源车销量的高增长主要体现在以下几个方面： 1. 政策支持：各国政府...
汽车第19周周报：新能源车销量高增长，电动智能化产业链将渐入佳境.pdf
07-02
汽车行业的市场动态、新能源车销量、电动智能化产业链发展、数据分析、行业投资、市场预测、产业周期、重要公告和新闻事件，以及行业面临的风险因素构成了本报告的核心内容。 首先，报告提到了新能源汽车市场的销量...
深度学习风格迁移(style transfer)
04-06
深度学习风格迁移(style transfer)，python代码，可直接运行run.py
汽车行业第19周周报：4月重卡销量同比环比大幅上涨，重卡行业维持高景气度.pdf
07-03
汽车行业第19周周报：4月重卡销量同比环比大幅上涨，重卡行业维持高景气度.pdf
StyleGAN2探骊得珠（三）：论文精读与注释，二代是怎样利用PPL来提升图像质量的？
weixin_41943311的博客
05-02 3091
论文引言（Introduction）部分的第4段，作者开宗明义，对于用生成（对抗网络）方法产生的图像，图像质量的定量分析依然是一个具有挑战性的主题。Fréchet Inception Distance（FID）测量的是（被分析图像在）两个分布密度上的差异，而这两个分布是在Inception V3分类器的高维特征空间上进行计算而得到的。精确度和召回率（P&R）通过显式地量化指标提供了...
零基础StyleGAN 1~3学习
qingmengEL的博客
11-23 1634
styleGAN前瞻知识和架构学习
【diffusion】扩散模型详解！理论＋代码
热门推荐
m0_63642362的博客
10-29 3万+
【diffusion】扩散模型详解！
diffusion详解
cainiao00078的博客
04-10 1400
diffusion详解
10分钟读懂Diffusion：图解Diffusion扩散模型
周红伟讲AI
03-12 1960
这里还有一个原因，DDPM 中的 UNet 都是共享参数的，那如何根据不同的输入生成不同的输出，最后从一个完全的一个随机噪声变成一个有意义的图片，这还是一个非常难的问题。因此，较小的 t 代表较弱的噪声扰动，而较大的 t 代表更强的噪声扰动。的架构中，图里面用的都是 Stable Diffusion，后面介绍又主要介绍的是 Diffusion。前面介绍了 Diffusion 是如何根据输入文字生成图片的，让大家有个大概的了解，接下来会详细介绍扩散模型 Diffusion 是如何训练的，又是如何生成图片的。
Diffusion学习(1)-预备知识
qzq2514的博客
12-20 1003
Diffison公式推理的前提知识储备
编写一份CAD工程师第十五周周报
03-10
你好，以下是我的回答： 本周工作总结： 1. 完成了客户提出的CAD图纸修改需求，并进行了测试和验收。 2. 参与了公司内部的CAD培训课程，学习了新的CAD技术和工具。 3. 协助同事解决了一些CAD软件使用中的问题。...
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
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