图像分析学习笔记(7):图像生成

图像分析学习笔记(7):图像生成

自然图像的流形

  • 线性降维:3D->2D, 与一维情况类似,将数据拟合到平面,并转换坐标系,使平面成为 x-y 平面 平面拟合(“Plane fitting”) 只需要为每个点(和平面参数)存储两个数字 更一般地说:寻找最适合数据的 2D 子空间,并忽略其余维度
  • 主成分分析:根据数据沿每个轴的变化程度来查找正交轴并对其进行排序。
  • 自编码器:编码器(Encoder):将非线性(深度网络)变换为低维空间 解码器(Decoder) :低维空间到原始内容的转换 损失函数约束输入和输出之间的差异 无监督-无需标签 自动编码器试图学习某个流形上的可逆变换
  • 所有图像空间:大多数图像都是“噪点” “有意义”的图像倾向于在所有图像的空间内形成一些流形 特定类的图像落在该流形内的流形上
  • 零空间:自动编码器试图针对某些流形上的数据实现可逆的降维,同时使得大多数噪声位于图像空间的不可逆部分(流形外)

图生图方法

  • 图像预测
  • 损失函数:选择位于流形上的图像

图像结合方法

  • GANs(Generative Adversarial Networks)
    • 生成器网络的结构与自编码器的解码器相似
    • 以对抗性的方式训练对抗鉴别器网络
  • Conditional GANs
    • 从条件分布生成样本
    • 生成器G 试图合成假图像来欺骗鉴别器D
    • 鉴别器D 试图辨别其中假的图片
    • 生成器G 试图合成假图像来欺骗鉴别器D: a r g max ⁡ E x , y [ log ⁡ D ( G ( x ) ) + log ⁡ ( 1 − D ( y ) ) ] arg \max E _ { x , y } \left[ \log D ( G ( x ) ) + \log ( 1 - D ( y ) ) \right] argmaxEx,y[logD(G(x))+log(1D(y))]
    • 生成器G 试图合成假图像来欺骗最佳的鉴别器D : a r g min ⁡ G max ⁡ D E x , y [ log ⁡ D ( G ( x ) ) + log ⁡ ( 1 − D ( y ) ) ] arg \min_G \max _ { D } E _ { x , y } \left[ \log D ( G ( x ) ) + \log ( 1 - D ( y ) ) \right] argGminDmaxEx,y[logD(G(x))+log(1D(y))]
  • 图像合成的例子
    • 有成对的训练图像
    • BW-COLOR
    • LABELS-STREET VIEWS
    • DAY-NIGHT
    • EDGES-IMAGES
    • Image Inpainting
    • Pose-guided Generation
  • 挑战及解决方案
    • 输出是高维结构化对象-方法:使用深度网络 D 来分析输出
    • 映射的不确定性;许多合理的输出-方法: D只关心“合理性

扩散模型

上述无条件模型必须按类别进行训练:为每个类别都有一个单独的模型——动物脸的模型、西兰花的模型等…如果我们想从任何描述中生成图像怎么办:扩散和文本到图像模

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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