A Survey about GAN

最新推荐文章于 2024-10-27 08:15:00 发布

原创最新推荐文章于 2024-10-27 08:15:00 发布 · 759 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。

文章标签：

#生成对抗网络 #GAN

博客主要介绍了生成对抗网络（GAN），包括生成器和鉴别器的目标。还重点阐述了Conditional GAN，它以额外信息y为条件；以及Cycle GAN，用于解决不成对图像间的转化，指出GAN成功关键在于对抗损失思想，并说明了Cycle GAN的生成器和鉴别器情况。

GAN

生成器的目的是捕获样本分布，鉴别器的目的是区分数据是来自于样本还是生成器。他们俩的two-player min-max目标函数表示为

Conditional GAN

生成器和鉴别器都以额外的信息y作为条件的生成对抗网络，就称为Conditional GAN。y可以是任何形式的辅助信息，例如类标签或者来自其他模态的样本。Conditional GAN的two-player min-max目标函数表示为

Cycle GAN

上图向我们展示了何谓成对匹配好的训练数据和不成对的训练数据。Cycle GAN正是为了解决不成对的图像与图像之间的转化。

Cycle GAN在介绍GAN的时候指出GAN成功的关键在于提出了对抗损失的思想，迫使生成图像的分布和真实图像的分布不易区分开来。

在介绍数学推导之前，描述变量含义： $X$ 和 $Y$ 表示两个域， $\left \{ x_i \right \}^N_{i=1}$ 和 $\left \{ y_i \right \}^N_{i=1}$ 表示不成对的训练样本。

Cycle GAN有两个生成器， $G$ 从 $X$ 映射到 $Y$ ， $F$ 从 $Y$ 映射到 $X$ ；有两个鉴别器， $D_x$ 区分图像 $\left \{ x \right \}$ 和转化来的图像 $\left \{ F(y) \right \}$ ， $D_y$ 区分图像 $\left \{ y \right \}$ 和转化来的图像 $\left \{ G(x) \right \}$ 。

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。