13、图像超分辨率：变分自编码器与生成对抗网络实现

图像超分辨率：变分自编码器与生成对抗网络实现

1. 变分自编码器基础

变分自编码器在图像生成和再生领域具有重要应用。图 8 - 6a 展示了反向传播过程中模型学习潜在空间时出现的问题，而图 8 - 6b 则呈现了重新参数化的过程。在重新参数化过程中，反向传播可通过实线箭头通道进行，虚线箭头表示的随机过程不阻碍训练过程，也不直接参与反向传播，它不会根据损失函数调整权重。

方程 (i) 可视为图 8 - 6b 的粗略估计，方程 (ii) 是图 8 - 6a 的估计。变分自编码器中的小随机过程有助于从相同概率分布中生成相似图像，在图像再生、生成以及信号或图像插值等方面发挥作用，还可用于图像大小调整。

2. 生成对抗网络概述

2.1 基本概念

生成对抗网络（GAN）由 Ian Goodfellow 于 2014 年引入深度学习领域。该网络能够创建与原始样本非常接近的新样本，广泛应用于图像风格迁移。

GAN 由生成器和判别器两个模型组成，二者结合形成一种监督学习形式：
- 生成器 ：尝试基于特定领域或问题集生成样本，通常从固定分布中采样。在训练过程中，随机输入点被视为来自领域分布。生成器需从输入数据分布中生成表示，以欺骗判别器。数据分布复杂，编码器将其映射到更简单且高度压缩的潜在空间，生成器从该潜在空间生成输出。
- 判别器 ：接收生成器创建的假样本并进行验证和分类，本质上是一个分类模型，负责区分生成的图像是真实还是虚假。

2.2 训练过程

生成器和判别器需同时训练，它们相互对抗，形成