Generative Adversarial Nets-GAN生成对抗网络

最新推荐文章于 2025-04-28 16:44:26 发布
原创 最新推荐文章于 2025-04-28 16:44:26 发布 · 414 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

提出了生成对抗网络（GAN），解决传统生成模型难点。GAN由生成模型G和判别模型D组成，两者通过对抗进化提升性能。G生成逼近真实数据的合成数据，D判断数据真假。最终实现高效生成高质量图像。

作者：中南大学可视化实验室 硕士研究生 HYH

日期：2020-8-1

标签：GAN 对抗 进化

论文期刊： 2014-NIPS

简单介绍

提出了一种生成对抗网络（generative adversarial network，GAN），完全避免了现有生成模型的难点痛点。

问题陈述

1.生成模型要做的事情是什么？

生成模型(generative model)描述的是这一类的模型：接收了从某一未知分布p_data取样的若干样本构成我们的训练集，生成模型会学习到一个模拟这一分布的概率分布p_model，如下图所示的密度概率分布模型：
在这里插入图片描述
如果生成模型是要生成图像的话可以用这张图片理解：图像在高维空间可以表示为一个点，我们要做的事情其实就是估计这些点在高维空间上的概率分布(Estimate the probability distribution)，有了这个分布以后我们就可以根据它去sample出一张接近真实图片的图。

怎么去估计这个概率是一个难点1（但其难点在于如何定义模型使得其既能表达数据的复杂度同时又方便计算）；

生成模型的训练过程中还要控制让输出图片跟原图越像越好：
在这里插入图片描述
但这样

最低0.47元/天 解锁文章
GAIN: Missing Data Imputation using Generative Adversarial Nets（基于生成对抗网络的缺失数据填补）论文详解
Wendy的博客
05-26 2732
目录一、背景分析1.1 缺失数据1.2 填补算法二、GAIN2.1 GAIN网络架构2.2 符号描述（Symbol Description）2.3 生成器模型2.4 判别器模型2.5 提示向量Hint三、算法流程四、总结 我们一直被缺失的数据包围着。长期以来，统计分析中因数据缺失而产生的问题一直被掩盖着。这些时代现在正在慢慢结束。在过去的几十年中，处理缺失数据的一系列技术已经大大扩展。本专题将介绍利用生成对抗网络进行缺失数据填补，欢迎关注。 一、背景分析 原始论文链接：GAIN: Missing Data
Generative Adversarial Nets (GAN)
weixin_30359021的博客
08-10 203
目录 目标 框架 理论 数值实验 代码 Generative Adversarial Nets 这篇文章，引领了对抗学习的思想，更加可贵的是其中的理论证明，证明很少却直击要害. 目标 GAN，译名生成对抗网络，目的就是训练一个网络来拟合...
Generative Adversarial Nets
09-13
Generative Adversarial Nets
Generative Adversarial Nets（小白学GAN系列 一）
fan1102958151的博客
05-21 857
原论文链接：https://arxiv.org/abs/1406.2661 核心思想：借用了“零一”博弈的方式来训练生成网络。从而使得网络可以从已有的数据中学到其分布的概率。 上图中黑色点是真实的数据分布，绿色实线是G(生成器)学习到的数据分布，蓝色虚线是判别器的划分界限，即在蓝虚线之下的判断为真实数据，在蓝虚线之上的判断为虚拟数据。由此可见，在训练刚开始之时（a）蓝线可以分部分真假的数据，到（b）时D(判别器)训练了一次后划分真假数据更为明显，再到（c）训练G使得G的数据分布向着真实数据在靠近，如此重
Generative Adversarial Nets[CAAE]
weixin_30740581的博客
02-14 717
本文来自《Age Progression/Regression by Conditional Adversarial Autoencoder》，时间线为2017年2月。 该文很有意思，是如何通过当前图片生成你不同年龄时候的样子。 假设给你一张人脸（没有告诉你多少岁）和一堆网上爬取的人脸图像（包含不同年龄的标注人脸但不一定配对），你能给出那一张人脸80岁或者5岁时候的样子么。当然回答不能，当前现有...
Generative Adversarial Nets(GAN)
weixin_45642184的博客
02-28 1448
主要结合GAN论文介绍一下GAN的原理，如何实现的。并介绍一下CycleGAN的原理以及源码的实现
深度学习Generative Adversarial Nets（GAN）生成对抗网络-组会汇报ppt
11-13
生成对抗网络（Generative Adversarial Networks，简称GANs）是由Goodfellow等人在2014年提出的一种新型机器学习框架，它在人工智能领域引起了广泛的关注。GANs的核心在于通过两个神经网络——生成器（Generator）和...
生成对抗网络（Generative Adversarial Nets，GAN)
最新发布
qq_62434791的博客
04-28 1412
之前的network只是一个函数，给一个输入，他给出一个输出。现在的这个输入有一个随机的东西拼接，导致了同样的输入有多种可能的输出。generator AND discriminator（发生器和鉴别器）第一步：发生器生成一些图片，鉴别器用来鉴别这些图片的相似处。二者是对抗的关系。第二步：调节generator，使得discriminator的分数输出的越大越好。第三步：反复执行找一组generator的参数，使得G*最小。
论文解析八： GAN：Generative Adversarial Nets（生成对抗网络）
kaszxc的博客
10-23 1733
文章提出了一个新的framework（framework通常是一个比较大的模型）用来估计生成模型，通过对抗的过程，同时会训练两个模型**生成模型G：**用来抓取整个数据的分布（生成模型就是要对整个数据的分布进行建模，使得能够生成各种分布，这里的分布就是指的生成图片、文字或者电影等，在统计学中，整个世界是通过采样不同的分布来得到的，所以如果想要生成东西，就应该抓取整个数据的分布）**辨别模型D：**用来估计样本到底是从真正的数据生成出来的还是来自生成模型生成出来的。
Generative adversarial nets
十年磨一剑
07-10 630
号称GAN的鼻祖？没怎么细看， 主要说下公式（1）和图1 1) 公式（1） pdatapdatap_{data}是数据库的概率密度，pzpzp_z是zzz数据的分布密度, zzz数据通过生成网络GGG变成x, 通过网络GGG,pzpzp_z可以变成pgpgp_g, pgpgp_g是生成数据的分布密度. 2) 图1 下面一根线代表z域, 上面一根线代表x域, 黑点代表原有数据集的概率分布...
生成对抗网络基础：Goodfellow的Generative Adversarial Nets框架
"生成对抗网络（Generative Adversarial Networks，GANs）是由Ian J. Goodfellow等人在2014年提出的创新性深度学习框架，该框架通过一个对抗过程来估计生成模型，同时训练两个模型：一个生成模型G，用于捕捉数据分布...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

中南大学苹果实验室

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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