xiaohouzi1992的博客

我研究GANs大概有一年时间了，稍后会把自己做的多篇论文笔记逐一发布出来，互相讨论。参考Goodfellow的论文，论文链接：https://arxiv.org/abs/1406.26611.核心内容：        提出通过一种对抗的方式训练生成模型，论证存在一个解使得生成模型可以很好地模拟真实数据分布。（生成模型的本质是生成与真实数据近似的数据）2.对抗是如何实现的：        首先定义两...

本篇论文对于后续的生成对抗网络各种衍生应用有很大的帮助，我在自己的研究中很大程度参考了这篇论文进行模型的调整。在学习这篇文章之前，最好先了解一下卷积神经网络CNN的结构细节。论文链接：https://arxiv.org/abs/1511.06434核心思想：         将CNN扩展到无监督学习领域GAN缺点：        1.不稳定，生成器最后经常产生无意义的输出        2.黑箱子...

论文链接：https://arxiv.org/abs/1606.03498这是一篇对GAN的训练作出改进的文章，众所周知，GAN的训练是极其不稳定的。1 主要内容        对GAN网络提出一些改进的体系特征和训练过程，然后把这些改进应用到半监督学习以及提高生成图像质量的领域上。        2 模型改进2.1 feature matching        问题描述：生成器和判别器其实是在...

附论文地址：https://arxiv.org/abs/1701.07875这一篇文章和下一篇讲提高WGAN的更有实际应用意义一些吧。基础介绍        学习一个概率分布，通常我们是学习这个分布的概率密度函数，假设概率密度函数存在，且由多个参数组成即，已知该分布下点集为，那么认为这些点既然出现了，就是概率最大的（相当于极大似然的思想）。问题就变成了求解使得。假设真实分布为，可以使用KL散度作为...

论文地址：https://arxiv.org/abs/1701.04862这一篇文章相当于一个引言，运用了许多推导与证明说明了生成对抗网路存在的一系列问题，然后引入了一个新的评价标准。虽然公式推导是比较乏味的，也可以参阅知乎上的这篇文章https://zhuanlan.zhihu.com/p/25071913，比较简单直观。当时我在学习的时候有部分也借鉴了这篇文章，以下是我的理解：第一部分GAN ...