Fatal编程技术网
  • deep-learning/
  • Deep learning 关于生成对抗模型的基本质疑

Deep learning 关于生成对抗模型的基本质疑

deep-learning computer-vision artificial-intelligence

Deep learning 关于生成对抗模型的基本质疑,deep-learning,computer-vision,artificial-intelligence,generative-adversarial-network,dcgan,Deep Learning,Computer Vision,Artificial Intelligence,Generative Adversarial Network,Dcgan,当噪声是一个特定的输入（例如n个图像而不是随机噪声时，生成器是否可以学习分布？例如，有两类图像的标签分别为0和1，例如猫的标签为0，狗的标签为1。当我们喂它一只狗时，它是否可以学习生成器，并根据狗的图像生成猫的图像？ 这个查询在某种程度上与去模糊图像相同，但如果没有针对模糊图像给出清晰图像，而我们只是得到随机清晰图像，那该怎么办。当然，这是可能的。这就是所谓的风格转换，在这方面已经做了很多工作。在某种程度上，你学习了狗的流形到猫的流形之间的映射函数。这方面的一个著名作品是CycleGAN pap

当噪声是一个特定的输入（例如n个图像而不是随机噪声时，生成器是否可以学习分布？例如，有两类图像的标签分别为0和1，例如猫的标签为0，狗的标签为1。当我们喂它一只狗时，它是否可以学习生成器，并根据狗的图像生成猫的图像？
这个查询在某种程度上与去模糊图像相同，但如果没有针对模糊图像给出清晰图像，而我们只是得到随机清晰图像，那该怎么办。

当然，这是可能的。这就是所谓的风格转换，在这方面已经做了很多工作。在某种程度上，你学习了狗的流形到猫的流形之间的映射函数。这方面的一个著名作品是CycleGAN paper（），它使用循环一致性损失从一个方向映射到另一个方向，再映射到另一个方向。这使得训练更加稳定，生成的图像更接近初始图像