Deep learning 非训练条件下的条件生成对抗网络输出_Deep Learning_Computer Vision_Generative Adversarial Network_Dcgan_Multimodal

Deep learning 非训练条件下的条件生成对抗网络输出

deep-learning computer-vision

Deep learning 非训练条件下的条件生成对抗网络输出,deep-learning,computer-vision,generative-adversarial-network,dcgan,multimodal,Deep Learning,Computer Vision,Generative Adversarial Network,Dcgan,Multimodal,我是新来的，目前正在学习GANs，我有一个疑问如下：假设我在MNIST数据集上训练了我的条件GAN，其中我用不同的方法处理了高斯噪声。例：平均值为1的高斯噪声将输出为1的图像平均值为2的高斯噪声将输出为2的图像。等等训练后，假设我给出平均值为1.5的高斯噪声，我应该期望得到什么样的输出图像我为一个图像到图像的翻译任务扩展了这个逻辑。假设我已经对我的GAN（pix2pix）模型进行了条件化处理，为均值为1的高斯噪声在输入图像上添加效应1，为均值为2的高斯噪声在输入图像上添加效应2。

我是新来的，目前正在学习GANs，我有一个疑问如下：

假设我在MNIST数据集上训练了我的条件GAN，其中我用不同的方法处理了高斯噪声。例：

平均值为1的高斯噪声将输出为1的图像

平均值为2的高斯噪声将输出为2的图像。等等

训练后，假设我给出平均值为1.5的高斯噪声，我应该期望得到什么样的输出图像

我为一个图像到图像的翻译任务扩展了这个逻辑。假设我已经对我的GAN（pix2pix）模型进行了条件化处理，为均值为1的高斯噪声在输入图像上添加效应1，为均值为2的高斯噪声在输入图像上添加效应2。如果我给输入图像加上平均值为1.5的高斯噪声，我能期望得到什么样的输出图像？它是效应器1和效应器2的组合，还是可以是它们中的任何一个或一些随机输出