本文介绍了无监督条件生成，特别是针对GAN的应用。无监督生成允许在没有标签的情况下将数据从一个domain转换到另一个domain。两种主要方法包括：1) direct transformation，如starGAN，用于处理画风等变化；2) projection to common space，通过共享参数的encoder和decoder来处理复杂图片转换，确保特征表示的一致性。
摘要：
上节课学习GAN中的条件生成，这节课学习无监督下的条件生成。
首先介绍了什么是无监督生成：在条件生成的基础上，输入输出双方都是无label的。已知的数据只有两组不同的domain。
无监督生成有两种方法，一种是直接转换，在生成图片后面加上一个判别器，用来识别生成的图片是否符合要求的domain。我们还会担心生成的图片是否和输入图片相关，也提到了一些解决方法。这个方法主要处理图片的画风，颜色。
另一种方法是投影到相同的空间，对于不同的domain，设置不同的domain encoder和decoder。将两组encoder和decoder视为两组不相关的auto-encoder，之后讲了四种方法，把这两组auto-encoder联系起来。这个方法主要是提取转换前后的图片特征，用来处理复杂的图片。
最后还简单介绍了多个domain之间相互转化的做法：starGAN
目录
一．什么是Unsupervised conditional generation
一．什么是Unsupervised conditional generation
上节课学习了CGAN，这节课来看无监督情况下的条件生成。
例如：
有domain x的画作和domain y的画作的data。可以训练一个生成器，无需label data就可以将x风格的画转换成 y风格的画作。
这种方法还可以用在语音和文字上。
二、无监督条件生成有哪些方法
1.direct transformation（直接转换）
通常改变的是颜色、质地，也就是画风的变换。
2.projection to common space
处理差距比较大的两个domain，将domain x的特征提取出来，生成一个face attribute，然后再decoder出domain y风格的图像。
1.direct transformation
首先，我们有两个domain的图像，如果输入domain x的数据，然后用生成器生成对应的domain y的图片。这是监督学习的方法。因为生成器看过domain y的风格，可以直接是生成出来。
对于非监督学习，
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
