苹果的第一篇人工智能领域的文章,一出来也是吸足了眼球,我看了下文章做了个ppt,跟大家分享一下。
本文的目的是要训练一个改善网络,使得模拟器生成的合成图片经改善后能更贴近真实图片。
贡献1就是用了S+U(生成+无监督)的方法,贡献2则是网络损失函数的定义,贡献3是对标准GAN做了一定的改进,贡献4说的是效果上的突破。
左图体现了整个网络结构,由原始生成器生成的合成图片,经过改善网络R后输出改善图片,另有一个鉴别器D,需要区分改善后的图片和无标签的真实图片。R的目的是要生成尽可能真实的图片去欺骗D,而D的目的就是要区分生成的和真实图片,这就是生成式对抗网络的最基本模型。
右边的公式介绍一下:
x上面加波浪线表示的是改善后的图片样本;
网络R的损失函数包含真实性成本和差异性成本,前者为了让改善图片更真实,与真实图片的风格更接近;后者是为了让合成图片在改善前后不至于有太大的变化以致于失真;
网络D的损失函数包含两项,对于合成图片,希望网络输出1,对于真实图片,希望网络D输出0,如此将两者区分。训练过程中,我们要最小化这个损失函数;
在实际应用中,我们网络R的损失