GAN
研海无涯
Talk is cheap. Show me the code.
展开
-
SinGAN解读: Learning a Generative Model from a Single Natural Image(如何从单张自然图片学习一个生成模型)
拟解决问题在SinGAN之前已经有很多工作尝试使用单张图像训练生成式模型,但这些工作大多是条件式生成模型,只能完成某种特定的图像到图像的转换任务(如超分辨率等),另外一些非条件式生成模型也只局限在纹理这样简单结构的图像生成上。提出方法提出一个非条件的,可以通过一张简单图片学到信息的生成模型,模型可以学到一副图像上的图像块的内部分布,然后利用学到的信息,生成高质量、更多样性的样例,这些样...原创 2020-04-02 22:17:51 · 769 阅读 · 0 评论 -
201901近期指的读的几篇GAN进展论文
1.主要问题:高分辨率图像的生成很困难,因为更高的分辨率使其更易于区分生成的图像和训练图像,从而极大地放大了梯度问题。 由于内存的限制,较大的分辨率还必须使用较小的小批处理,这进一步损害了训练的稳定性。-解决方法:作者的主要见解是,我们可以从更简单的低分辨率图像开始逐步增加生成器和鉴别器,并随着训练的进行添加新层,以引入更高分辨率的细节。 正如我们将在第2节中讨论的那样,这大大加快了训...原创 2020-03-05 00:07:54 · 1039 阅读 · 0 评论 -
解读 O-GAN: Extremely Concise Approach for Auto-Encoding Generative Adversarial Networks
解决问题所有这些GAN变体都至少具有三个组成部分:生成器,鉴别器和编码器。 鉴别器和编码器具有相似的网络架构。 但是,随着训练过程的进行,大多数GAN中的生成器和编码器变得越来越完美,但鉴别器变得越来越原始。 换句话说,最优判别器在大多数情况下是原始且无用的。我们能否在鉴别器和编码器之间共享权重?据我们所知,唯一成功做到这一点的是自省变分自动编码器(IntroVAEs,Huang等人(201...原创 2020-03-02 17:42:10 · 455 阅读 · 0 评论 -
变分自编码器VAE:Variational Auto-Encoder
分布变换原创 2020-03-09 17:27:23 · 387 阅读 · 0 评论