首页 > 图像处理 > 正文

GAN(Generative Adversarial Nets)

标签:gan, Generative Adversarial Nets


目录

参考:微信公众号”学术兴趣小组”文章

微信公众号”学术兴趣小组”文章:gan应用情况调研

GANs的优缺点

优点:

  • 相比于FVBNs(全可见信念网络,Fully visible belief networks)模型,GANs能并行生成样本,不需要逐维产生。
  • 相比于玻尔兹曼机(Boltzmann machines)、非线性ICA(non-linear ICA)等生成模型,GANs对Generator的设计的限制很少。
  • 理论上保证了某些GANs能够收敛到纳什均衡。

缺点:

  • 训练GANs实际上是在找纳什均衡解,这比优化一个目标函数要困难。
  • GANs生成的图像比较sharp,也就是说,它倾向于生成相似的图像。作者在2016 NIPS tutorial中指出,这个缺陷与采用何种KL散度作为loss无关,而可能是与训练过程有关。详细的讨论可以参看参考文献2的3.2.5和5.1.1章节。

some notes

Generative Adversarial Nets, Goodfellow et al, NIPS 2014

https://ishmaelbelghazi.github.io/ALI

DCGAN: Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, Radford et al, ICLR 2015

反卷积(实际是卷积把步长调成>=2)

  • 擅长生成特定Domain 里的小图片
  • 向量空间运算(类word embedding)

模型崩溃——minibatch GAN (Salimans et al, NIPS 2016)

Generative Adversarial Text to Image Synthesis, Reed et al, ICML 2016 原来GAN输入只是噪音,现在多一些其他维度的描述(例如,文本)

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, Ledig et al, arxiv 2016

针对小数据集,传统方法+nn比直接上nn其实差不多(deepface)

代码


原创文章,转载请注明出处!
本文链接:http://hxhlwf.github.io/posts/image-gan.html
上篇: dcgan
下篇: infogan & improvedgan

comment here..