生成对抗网络gan原理_必读！TOP10生成对抗网络GAN论文（附链接）

3feb519f0de14415c83561c9d9f4d198.png

来源：新智元

本文约2200字，建议阅读7分钟。

本文所选论文提供了一个易读的对GAN的介绍，帮助你理解GAN技术的基础。

d19c495a5fd634996a66cc93282a83f8.png

[ 导读 ]生成对抗网络 (GAN) 是深度学习中最有趣、最受欢迎的应用之一。本文列出了 10 篇关于 GAN 的论文，这些论文将为你提供一个很好的对 GAN 的介绍，帮助你理解最先进技术的基础。

本文选择的 10 篇 GAN 论文包括：

  1.  DCGANs
  2.  Improved Techniques for Training GANs
  3. Conditional GANs
  4. Progressively Growing GANs
  5.  BigGAN
  6. StyleGAN
  7. CycleGAN
  8.  Pix2Pix
  9.  StackGAN
  10.  Generative Adversarial Networks

DCGANs — Radford et al. (2015)

我建议你以 DCGAN 这篇论文来开启你的 GAN 之旅。这篇论文展示了卷积层如何与GAN 一起使用，并为此提供了一系列架构指南。这篇论文还讨论了 GAN 特征的可视化、潜在空间插值、利用判别器特征来训练分类器、评估结果等问题。所有这些问题都必然会出现在你的 GAN 研究中。

总之，DCGAN 论文是一篇必读的 GAN 论文，因为它以一种非常清晰的方式定义架构，因此很容易从一些代码开始，并开始形成开发 GAN的直觉。

b1e18e8f1e1c1fb043e11914c447599d.png

DCGAN 模型：具有上采样卷积层的生成器架构

论文：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial NetworksAlec Radford, Luke Metz, Soumith Chintalahttps://arxiv.org/abs/1511.0643

改进 GAN 训练的技术 —— Salimans et al. (2016)

这篇论文 (作者包括 Ian Goodfellow) 根据上述 DCGAN 论文中列出的架构指南，提供了一系列建议。这篇论文将帮助你了解 GAN 不稳定性的最佳假设。此外，本文还提供了许多用于稳定 DCGAN 训练的其他机器，包括特征匹配、 minibatch 识别、历史平均、单边标签平滑和虚拟批标准化。使用这些技巧来构建一个简单的 DCGAN 实现是一个很好的练习，有助于更深入地了解 GAN。

论文：Improved Techniques for Training GANsTim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chenhttps://arxiv.org/abs/1606.0349

Conditional GANs — Mirza and Osindero (2014)

这是一篇很好的论文，读起来很顺畅。条件 GAN(Conditional GAN) 是最先进的 GAN之一。论文展示了如何整合数据的类标签，从而使 GAN 训练更加稳定。利用先验信息对 GAN 进行调节这样的概念，在此后的 GAN 研究中是一个反复出现的主题，对于侧重于 image-to-image 或 text-to-image 的论文尤其重要。

1ca587f7e2b470ad013c521373499bea.png

Conditional GAN 架构：除了随机噪声向量 z 之外，类标签 y 被连接在一起作为网络的输入

论文：Conditional Generative Adversarial NetsMehdi Mirza, Simon Osinderohttps://arxiv.org/abs/1411.178

Progressively Growing GANs— Karras et al. (2017)

Progressively Growing GAN (PG-GAN) 有着惊人的结果，以及对 GAN 问题的创造性方法，因此也是一篇必读论文。

这篇 GAN 论文来自 NVIDIA Research，提出以一种渐进增大(progressive growing)的方式训练 GAN，通过使用逐渐增大的 GAN 网络(称为 PG-GAN)和精心处理的CelebA-HQ 数据集，实现了效果令人惊叹的生成图像。作者表示，这种方式不仅稳定了训练，GAN 生成的图像也是迄今为止质量最好的。

它的关键想法是渐进地增大生成器和鉴别器：从低分辨率开始，随着训练的进展，添加新的层对越来越精细的细节进行建模。“Progressive Growing” 指的是先训练 4x4 的网络，然后训练 8x8，不断增大，最终达到 1024x1024。这既加快了训练速度，又大大稳定了训练速度，并且生成的图像质量非常高。

313babd0556e23558daf77b57a9adfdb.png

Progressively Growing GAN 的多尺度架构，模型从 4×4 逐步增大到 1024×1024

论文：Progressive Growing of GANs for Improved Quality, Stability, and VariationTero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinenhttps://arxiv.org/abs/1710.1019

BigGAN — Brock et al. (2019)

BigGAN 模型是基于 ImageNet 生成图像质量最高的模型之一。该模型很难在本地机器上实现，而且 BigGAN 有许多组件，如 Self-Attention、 Spectral Normalization 和带有投影鉴别器的 cGAN，这些组件在各自的论文中都有更好的解释。不过，这篇论文对构成当前最先进技术水平的基础论文的思想提供了很好的概述，因此非常值得阅读。

7918d2ba5dd3ee6f47a1b8f5125aecaa.png

BigGAN 生成的图像

论文：Large Scale GAN Training for High Fidelity Natural Image SynthesisAndrew Brock, Jeff Donahue, Karen Simonyanhttps://arxiv.org/abs/1809.1109

StyleGAN — Karras et al. (2019)

StyleGAN 模型可以说是最先进的，特别是利用了潜在空间控制。该模型借鉴了神经风格迁移中一种称为自适应实例标准化 (AdaIN) 的机制来控制潜在空间向量 z。映射网络和 AdaIN 条件在整个生成器模型中的分布的结合使得很难自己实现一个 StyleGAN，但它仍是一篇很好的论文，包含了许多有趣的想法。

957ea1ad6121d0011b18c8002d67c3a6.png

StyleGAN 架构，允许潜在空间控制

论文：A Style-Based Generator Architecture for Generative Adversarial NetworksTero Karras, Samuli Laine, Timo Aila https://arxiv.org/abs/1812.04948

CycleGAN — Zhu et al. (2017)

CycleGAN 的论文不同于前面列举的 6 篇论文，因为它讨论的是 image-to-image 的转换问题，而不是随机向量的图像合成问题。CycleGAN 更具体地处理了没有成对训练样本的 image-to-image 转换的情况。然而，由于 Cycle-Consistency loss 公式的优雅性，以及如何稳定 GAN 训练的启发性，这是一篇很好的论文。CycleGAN 有很多很酷的应用，比如超分辨率，风格转换，例如将马的图像变成斑马。

2d10f25f455dd7c3cbf12e0e1fbd2223.png

Cycle Consistency Loss 背后的主要想法，一个句子从法语翻译成英语，再翻译回法语，应该跟原来的是同一个句子

论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial NetworksJun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efroshttps://arxiv.org/abs/1703.1059

Pix2Pix — Isola et al. (2016)

Pix2Pix 是另一种图像到图像转换的 GAN 模型。该框架使用成对的训练样本，并在GAN 模型中使用多种不同的配置。读这篇论文时，我觉得最有趣部分是关于 PatchGAN的讨论。PatchGAN 通过观察图像的 70×70 的区域来判断它们是真的还是假的，而不是查看整个图像。该模型还展示了一个有趣的 U-Net 风格的生成器架构，以及在生成器模型中使用 ResNet 风格的 skip connections。 Pix2Pix 有很多很酷的应用，比如将草图转换成逼真的照片。

d69c947cb1d49bdbd46eda3de8d311dd.png

使用成对的训练样本进行 Image-to-Image 转换

论文：Image-to-Image Translation with Conditional Adversarial NetworksPhillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efroshttps://arxiv.org/abs/1611.0700

StackGAN — Zhang et al. (2017)

StackGAN 的论文与本列表中的前几篇论文相比非常不同。它与 Conditional GAN 和Progressively Growing GANs 最为相似。StackGAN 模型的工作原理与 Progressively Growing GANs 相似，因为它可以在多个尺度上工作。StackGAN 首先输出分辨率为64×64 的图像，然后将其作为先验信息生成一个 256×256 分辨率的图像。

StackGAN是从自然语言文本生成图像。这是通过改变文本嵌入来实现的，以便捕获视觉特征。这是一篇非常有趣的文章，如果 StyleGAN 中显示的潜在空间控制与 StackGAN 中定义的自然语言接口相结合，想必会非常令人惊讶。

0ff47f350b8bc5cda562f427224d7c44.png

基于文本嵌入的 StackGAN 多尺度架构

背后的想法

论文：StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial NetworksHan Zhang, Tao Xu, Hongsheng Li, Shaoting Zhang, Xiaogang Wang, Xiaolei Huang, Dimitris Metaxashttps://arxiv.org/abs/1612.0324

Generative Adversarial Networks — Goodfellow et al. (2014)

Ian Goodfellow 的原始 GAN 论文对任何研究 GAN 的人来说都是必读的。这篇论文定义了 GAN 框架，并讨论了 “非饱和” 损失函数。论文还给出了最优判别器的推导，这是近年来 GAN 论文中经常出现的一个证明。论文还在 MNIST、TFD 和 CIFAR-10 图像数据集上对 GAN 的有效性进行了实验验证。

论文：Generative Adversarial NetworksIan J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengiohttps://arxiv.org/abs/1406.266

原文链接：

https://towardsdatascience.com/must-read-papers-on-gans-b665bbae3317

编辑：黄继彦

校对：林亦霖

— 完 —

关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/352214.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

visudo精确用户赋权（sudo)

visudo精确用户赋权（sudo)

原文BLOG：http://iminmin.blog.51cto.com/689308/455992sudo” 是 Unix/Linux 平台上的一个非常有用的工具，允许为非根用户赋予一些合理的 “ 权利 ” ，让他们执行一些只有根用户或特许用户才能完成的任务，从而减少根用户的登陆次…
阅读更多...
es6中的类及es5类的实现

es6中的类及es5类的实现

目录 类的特点类的特点 1.类只能通过new得到 在es6中类的使用只能是通过new，如果你将它作为一个函数执行，将会报错。 //es6的写法 class Child {constructor() {this.name 1;} } let child new Child(); console.log(child.name)//1 //如果直接…
阅读更多...
python高阶函数filter_Python进阶系列连载（13）——Python内置高阶函数filter（上）...

python高阶函数filter_Python进阶系列连载（13）——Python内置高阶函数filter（上）...

前言进阶部分连载继续~如果还没看过我的入门连载部分，先看：当然，小编的免费入门课程已经有咯，看过连载的朋友可以看看视频再快速梳理一遍~前文传送门：filterfilter是什么意思呢？我们百度看看：百…
阅读更多...
javaone_JavaOne 2012：观察与印象

javaone_JavaOne 2012：观察与印象

javaone我正坐在旧金山国际机场等待登上一架飞机，然后又一次满意但累人的JavaOne（2012）体验，开始撰写这篇特别的博客文章。 自上周日的主题演讲以来，在会议上狂热地撰写了约30篇博客文章之后，再写另一篇博客…
阅读更多...
CSDN转载博客的方法

CSDN转载博客的方法

前言 对于喜欢逛CSDN的人来说，看别人的博客确实能够对自己有不小的提高，有时候看到特别好的博客想转载下载，但是不能一个字一个字的敲了，这时候我们就想快速转载别人的博客，把别人的博客移到自己的空间里面&#xff0c…
阅读更多...
linux 服务器账号及安全杂谈

linux 服务器账号及安全杂谈

1、useradd zhangsan，添加zhangsan用户后，不能交互式登陆该账号。 原因是：/etc/shadow中内容是 zhangsan:!!:16804:0:99998:7::: 其中，两个!!表示出于安全角度，不能登陆。给zhangsan设置密码后，就可以登陆…
阅读更多...
mysql-9索引

mysql-9索引

mysql索引的建立对于mysql的高效运行是很重要的，索引可以大大提高mysql的检索速度。 索引分为单列索引和组合索引。 单列索引，即一个索引只包含单个列，一个表可以有多个单列索引，但这不是组合索引。 组合索引，即一个索…
阅读更多...
带有AWS Lambda和Java的无服务器FaaS

带有AWS Lambda和Java的无服务器FaaS

什么是无服务器架构？ 无服务器架构在由第三方完全管理的临时容器中运行自定义代码。 自定义代码通常只是完整应用程序的一小部分。 也称为函数 。 这为无服务器架构提供了另一个名称，即功能即服务 （FaaS）。 该容器是短暂的&#x…
阅读更多...
python 查找算法_七大查找算法（Python）

python 查找算法_七大查找算法（Python）

查找算法 -- 简介查找(Searching)就是根据给定的某个值，在查找表中确定一个其关键字等于给定值的数据元素。查找表(Search Table)：由同一类型的数据元素构成的集合关键字(Key)：数据元素中某个数据项的值，又称为键值主键(Primary K…
阅读更多...
traceroute命令的用法实例

traceroute命令的用法实例

ceroute命令的用法实例traceroute 跟踪数据包到达网络主机所经过的路由工具；traceroute 是用来发出数据包的主机到目标主机之间所经过的网关的工具。traceroute 的原理是试图以最小的TTL发出探测包来跟踪数据包到达目标主机所经过的网关，然后监听一个来自…
阅读更多...
去除div最后一个逗号_去除重复值、统计数量，这个公式可以直接套用！

去除div最后一个逗号_去除重复值、统计数量，这个公式可以直接套用！

点击上方蓝字关注星标★不迷路本文作者：拉登 Dony来源：拉小登(ID：ladengchupin)本文编辑：小叮、竺兰前段时间遇到这样一个问题，让我很头疼。头疼的原因有 3 点：❶ 问题描述不清晰，理解起来困难&…
阅读更多...
spring shell_Spring Shell项目发布

spring shell_Spring Shell项目发布

spring shellSpring Source昨天发布了Spring Shell 。 Spring Shell是一个交互式Shell，可以使用基于Spring的编程模型轻松地通过命令进行扩展。 它是通过删除OSGi依赖项从Spring Roo项目中提取的，并变成了一个独立项目。 这使得那些只希望使用交互式外壳…
阅读更多...
Word报告自动生成（例如 导出数据库结构）

Word报告自动生成（例如 导出数据库结构）

将很早之前写的一个小组件重新整理优化一下，做成一个通用的功能。适用于导出数据库的结构（表、字段等）到Word或将体检数据自动生成Word版的体检报告等。代码：Github 一、主要需要完成功能: 1. 灵活的配置规则及word样式设置&#…
阅读更多...
马尔科夫随机场

马尔科夫随机场

1、相关概念 马尔科夫随机过程：在已知当前状态的情况下，未来的状态只与当前状态有关，与过去状态无关。这种已知“现在”的条件下，“未来”和“过去”彼此独立的特性叫做马尔科夫性，具有这种特性的随机过程叫做马尔科夫…
阅读更多...
php上传文件详解

php上传文件详解

上传文件功能由两个部分组成&#xff0c;HTML页面和PHP处理部分。HTML页面主要是让用户选择所要上传的文件&#xff0c;php部分让我们可以把文件存储到服务器的指定目录。 一&#xff0e;HTML部分 upload.html [html] view plaincopy<html> <head> &…
阅读更多...
pythonwhile循环love_input和while循环——Python编程从入门到实践

pythonwhile循环love_input和while循环——Python编程从入门到实践

PythonPython开发Python语言input和while循环——Python编程从入门到实践input( )input()函数&#xff1a;让程序运行暂停&#xff0c;等待用户输入。message input(Tell me something, and I will repeat it back to you:)print(message)运行结果&#xff1a;Tell me somethi…
阅读更多...
phpstudy添加redis扩展

phpstudy添加redis扩展

操作系统 windows&#xff1b; 直接贴步骤记录下 一. 划重点&#xff0c;运行phpinfo(), 观察第四行 x86 好了记住这个 x86 三. http://pecl.php.net/package/redis php官方redis扩展下载地址&#xff1b; 我需要的是3.1的版本 之前记住的 x86 当然并不是所有人…
阅读更多...
高阶图匹配

高阶图匹配

一、基于结构特征的相似性度量 将特征看作向量空间中的点&#xff0c;通过计算两个点或者两个点组之间的距离来度量他们是否相似。 一阶度量&#xff1a;minkowsky距离、马氏距离 二阶度量&#xff1a;特征点本身有相关性&#xff0c;所以将特征点对之间的关系加入到相似性度量…
阅读更多...
visual studio installer可以卸载吗_ArcGIS 怎样彻底删除和卸载

visual studio installer可以卸载吗_ArcGIS 怎样彻底删除和卸载

如何完全卸载ArcGIS为大家演示如何完全卸载ArcGIS。方法/步骤1打开控制面板&#xff0c;找到“卸载程序”。或者使用360安全卫士2选择卸载程序&#xff0c;在新界面中找到与ArcGIS有关的程序。3右键单击要卸载的内容&#xff0c;并选择“卸载/更改”。按照此方法&#xff0c;把…
阅读更多...
Linux下安装和使用boost库

Linux下安装和使用boost库

由于在毕业设计中需要用到C对象序列化工具&#xff0c;所以想利用boost库中的serialization库。Boost库分为两个部分来使用&#xff0c;一是直接使用对应的头文件&#xff0c;二是需要编译安装相应的库才可以使用。下面记录一下今天的安装和使用过程&#xff08;整个boost库全部…
阅读更多...
最新文章

Copyright @ 2022~2023