【论文阅读笔记】 A Style-Based Generator Architecture for Generative Adversarial Networks

已于 2023-06-19 15:51:04 修改
阅读量81 收藏
点赞数
文章标签： 论文阅读 笔记
于 2023-06-19 15:36:02 首次发布
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_50830241/article/details/131277728
版权
该文提出了Style-BasedGenerator架构用于卷积GAN，替换传统CNN中的pooling操作，使用stridedconvolutions。在D和G中应用不同的激活函数，如LeakyReLU和ReLU，并通过归一化改善训练。模型训练不依赖数据增强，仅调整像素范围。文章还探讨了模型的可视化方法，包括在latentspace中的行走和网络滤波器的可视化。
摘要由CSDN通过智能技术生成
题目作者会议subject
A Style-Based Generator Architecture for Generative Adversarial NetworksTero Karras, Samuli Laine, Timo AilaCVPR 2019ML;NE

一、摘要

  • 提出并评估了卷积GAN的结构
  • 将训练好的鉴别器应用于图片分类任务
  • 可视化filters，探索内部的每一层到底学到了什么表达

二、修改CNN+GAN架构

对现有的CNN架构做了修改

  • 在生成模型、判别模型中使用 strided convolutions 替代 pooling
    • D：容许网络学习空间下采样
    • G：容许网络学习空间上采样
  • 不适用全连接层
  • Batch Normalization
    • 将每个单元的输入归一化为零均值和单位方差
    • 解决由于初始化不良而导致的训练问题
    • 有助于深度模型中的梯度流动
  • 激活函数
    • 生成模型：输出层用Tanh函数，其它层用ReLU激活函数。
    • 判别模型：所有层使用LeakyReLU

三、网络结构

在这里插入图片描述

四、模型训练

  • 对原始数据不进行数据增强，只是将像素值变换到[-1, 1]之间
  • Adam优化器
  • 初始学习率0.0002
  • beta_1参数0.5
  • Leaky Relu中参数设置为0.2

五、可视化

1. Walking In The Latent Space

  • 对于输入X1、X2得到的结果Y1、Y2，查看X1、X2的差值生成的图片
  • 若“平滑过渡”证明模型的确有学习到特征

2.D的可视化

  • 被“激活”的部分

3.G的可视化

weixin_50830241
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
论文笔记：unsupervised representation learning with deep convolutional generative adversarial networks
Joker's Time
10-18 2594
1. previous work [generative adversarial nets] paper link: http://arxiv.org/pdf/1406.2661v1.pdf  torch implementation: https://github.com/soumith/dcgan.torch  a. motivation: supervised
对抗生成网络代码Generative Adversarial Networks (GANs)，Vanilla GAN，Deeply Convolutional GANs
iwill323的博客
09-17 927
CS231n---GAN 对抗生成网络， Vanilla GAN，Deeply Convolutional GANs
生成网络论文阅读styleGAN1（二）：A Style-Based Generator Architecture for Generative Adversarial Networks
qq_43210957的博客
09-21 708
styleGAN1的详细论文笔记
论文笔记《A Style-Based Generator Architecture for Generative Adversarial Networks》
热门推荐
weixin_42360095的博客
04-25 1万+
这是NVIDIA的一篇新论文，一个对于GAN（StyleGAN）的基于样式的生成器体系结构，提出了一个新的模型来应对这个挑战。StyleGAN是一步一步地生成人工图像的，从非常低的分辨率开始，一直到高分辨率（1024×1024）。通过分别地修改网络中每个级别的输入，它可以控制在该级别中所表示的视觉特征，从粗糙的特征（姿势、面部形状）到精细的细节（头发颜色），而不会影响其它的级别。 这种技术不仅可以...
[StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks
sinat_30618203的博客
06-08 137
解耦出了生成网络中style的影响因素，并可以利用这一点实现不同生成图像的风格融合注意：该网络还是从噪声生成随机图像，只是可以把已经生成的随机图像的latent code相融合，得到介于两者之间的新类型图像；而不是根据手头的图像来实现风格融合。
A Style-Based Generator Architecture for Generative Adversarial Networks---阅读笔记
huatianxue的博客
06-11 197
这篇文章是根据一个数据集来生成各种风格的图片，可以认为是GAN-2.0版本。使用FID距离来判断生成的图片是不是真实的。 下图就是产生图片，几乎可以以假乱真。 现在有一种想法,让时频二维图尽可能的仿真出来新的图片 让时频二维图也产生类似的"风格"变化,我们能不能做出类似的干扰? 如果对方是这样"风格"的变化,我们能不能识别出来 可以顺着师兄的文章接着做一下 目前该文献阅读到2.1节 仅仅将截断利用在低分辨率上，高分辨率的细节不会受到影响，这是怎么做到的？ 先不在意这些细节吧，往下接着看。 ...
【GAN】【论文笔记】A Style-Based Generator Architecture for Generative Adversarial Networks
weixin_50862344的博客
08-20 91
论文工作可以参考【
The Six Fronts of the Generative Adversarial Networks 论文笔记
weixin_41431170的博客
09-30 556
The Six Fronts of the Generative Adversarial Networks 论文笔记
[论文笔记]：Image-to-Image Translation with Conditional Adversarial Networks
sinat_38059712的博客
03-21 1359
Image-to-Image Translation with Conditional Adversarial Networks论文翻译摘要1. 介绍2. 相关工作3. 方法3.1 评估3.2 网络结构3.2.1 Generator with skips3.2.2 Markovian discriminator (PatchGAN)3.3 优化和推理4. 实验4.1 评估指标4.2 目标函数分析4...
一种基于图像的合成图像细化生成器体系结构_An Image-based Generator Architecture for S
01-19
本文“一种基于图像的合成图像细化生成器体系结构”提出了一种新的边界平衡生成对抗网络（Boundary Equilibrium Generative Adversarial Networks, BE-GANs）的生成器架构，主要关注于合成图像的精细化处理，旨在...
Image-to-Image Translation with Conditional Adversarial Networks
04-18
而条件对抗网络（Conditional Adversarial Networks, GANs）提供了一种通用的解决方案，能够广泛适用于这类问题。 条件对抗网络不仅学习输入图像到输出图像的映射关系，而且学习一个损失函数来训练这个映射。这使得...
Generative Adversarial Networks in Computer Vision A Survey a
09-23
生成对抗网络（Generative Adversarial Networks, GANs）自2014年提出以来，已成为机器学习领域尤其是计算机视觉（Computer Vision, CV）中的一项重要技术。GANs的核心思想是通过两个神经网络——生成器（Generator...
MATLAB implementations of Generative Adversarial Networks
07-16
**MATLAB实现生成对抗网络（Generative Adversarial Networks，GANs）** 生成对抗网络是一种深度学习模型，由Ian Goodfellow在2014年提出。它由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器...
A Review of Generative Adversarial Networks in Cancer Imaging N
09-23
生成对抗网络（Generative Adversarial Networks, GANs）自2014年被提出以来，已经在诸多领域展现出强大的生成能力和模型学习潜力，尤其在医疗影像分析，尤其是癌症成像方面，其应用日益广泛。本文将对这一主题进行...
【论文笔记】4D Millimeter-Wave Radar in Autonomous Driving: A Survey
weixin_45657478的博客
08-04 936
自动驾驶中的4D毫米波雷达综述
【论文阅读】MobileNetV4 - Universal Models for the Mobile Ecosystem
最新发布
qq_42591591的博客
08-08 681
我们介绍了最新一代的 MobileNets，即 MobileNetV4（MNv4），其特点是针对移动设备的通用高效架构设计。在其核心部分，我们引入了通用反向瓶颈（UIB）搜索块，这是一种统一而灵活的结构，融合了反向瓶颈（IB）、ConvNext、前馈网络（FFN）和一种新颖的 Extra Depthwise（ExtraDW）变体。除了 UIB，我们还提出了移动 MQA，这是一个专为移动加速器定制的注意力模块，可显著提高 39% 的速度。
《RT-DETR》论文笔记
Zssss12的博客
08-08 816
YOLO系列因其速度和准确性之间的合理权衡而成为实时目标检测最流行的框架。然而，我们观察到 YOLO 的速度和准确性受到 NMS 的负面影响。最近，端到端基于变压器的检测器 (DETR) 提供了一种消除 NMS 的替代方案。然而，高计算成本限制了它们的实用性，阻碍了它们充分利用排除NMS的优势。在本文中，我们提出了实时检测转换器(RT-DETR)，据我们所知，这是解决上述困境的第一个实时端到端对象检测器。我们分两步。
【弱监督时间动作定位】ACGNet: Action Complement Graph Network for WSTAL 论文阅读
weixin_44609958的博客
08-06 996
在未剪辑视频中进行弱监督时序动作定位 (WTAL) 已成为一项实用但具有挑战性的任务，因为只提供视频级标签。现有的方法通常利用现成的片段级特征，这些特征存在空间不完整性和时间不连贯性，从而限制了它们的性能。在本文中，我们通过增强片段级表示的一个简单而有效的图卷积网络，即动作补全图网络 (ACGNet)，从一个新的角度解决这个问题。它使当前视频片段能够感知来自其他片段的空间-时间依赖性，这些片段可能传递互补线索，从而隐式减轻上述两个问题带来的负面影响。
a style-based generator architecture for generative adversarial networks主要研究了什么
03-30
《A Style-Based Generator Architecture for Generative Adversarial Networks》主要研究了一种基于样式的生成对抗网络（GAN）生成器架构，该架构可以生成高质量、高分辨率的图像。该论文提出了一种新的生成器架构...
评论 1
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