GAN

GAN(Generative Adversarial Nets),产生式对抗网络

存在问题:

1.无法表示数据分布

2.速度

3.resolution太小,大了无语义信息

4.无reference

5.intend to generate same image

论文摘要:

1、Goodfellow, Ian, et al. "Generative adversarial nets." Advances in Neural Information Processing Systems. 2014.

做如下优化:

GAN

全局最优解为:

GAN

训练过程:

GAN

算法描述:先优化discriminator,再训练generator

GAN

latent code插值后出现了渐变特效:

GAN

2.Mirza, Mehdi, and Simon Osindero. "Conditional generative adversarial nets."arXiv preprint arXiv:1411.1784 (2014).

优化目标:

GAN

好像就是加了label信息。

3.Denton, Emily L., Soumith Chintala, and Rob Fergus. "Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks."Advances in neural information processing systems. 2015.

不知道这篇论文正式发表没有。这篇论文似乎就是做了一个GAN和提高分辨率的结合。不过本来就没有什么语义信息的图片,就算提高分辨率感觉也没什么用,所以感觉96x96分辨率的结果没什么意义。

原理:

GAN

GAN

GAN

GAN

GAN

GAN

整个test过程为:

GAN

整个train过程为:

GAN

一些例子:

GAN

4.Radford, Alec, Luke Metz, and Soumith Chintala. "Unsupervised representation learning with deep convolutional generative adversarial networks." arXiv preprint arXiv:1511.06434 (2015).

这篇论文也不知道发表没有。

用了很多trick,什么batchnorm,全卷积无全连接,无pooling,用了LeakyReLu。

网络结构:

GAN

个人感觉效果还不错:

GAN

进行了有趣的实验:

GAN

GAN

5.Salimans, Tim, et al. "Improved techniques for training gans." arXiv preprint arXiv:1606.03498 (2016).

提出了一些改进的trick。

用feature算距离

GAN

GAN

GAN

加label

效果:感觉没什么语义信息

GAN

6.Chen, Xi, et al. "InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets." arXiv preprint arXiv:1606.03657 (2016).

主要是为了解决产生一样的sample的问题

公式:

GAN

GAN

GAN

结果:

GAN

上一篇:[置顶] Xamarin Android安装教程(2016最新亲测安装版)


下一篇:平滑处理Smooth之图像预处理算法-OpenCV应用学习笔记三