本文挑选的 10 篇 GAN 论文包含:
- DCGANs
- Improved Techniques for Training GANs
- Conditional GANs
- Progressively Growing GANs
- BigGAN
- StyleGAN
- CycleGAN
- Pix2Pix
- StackGAN
- Generative Adversarial Networks
DCGANs — Radford et al. (2015)
我主张你以 DCGAN 这篇论文来敞开你的 GAN 之旅。这篇论文展现了卷积层怎样与GAN 一同运用,并为此供给了一系列架构攻略。这篇论文还评论了 GAN 特征的可视化、潜在空间插值、运用判别器特征来操练分类器、评价成果等问题。所有这些问题都必然会呈现在你的 GAN 研讨中。
总归,DCGAN 论文是一篇必读的 GAN假如人生只要八年该怎样过 论文,由于它以一种十分明晰的办法界说架构,因而很简略从一些代码开端,并开端构成开发 GAN的直觉。
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 Ne帝妻赋twork黄立行,必读!生成敌对网络GAN论文TOP 10,金桔s
Alec Radford, 左娜封柏为什么不离婚Luke Metz, Soumith Chintala
https://arxiv.org/abs/1511.06434
改善 GAN 操练的技能 —— Salimans et al. (2016)
这篇论文 (作者包含 Ian Goodfellow) 依据上述 DCGAN 论文中列出的架构攻略,供给了一系列主张。这篇论文将协助你了解 GAN 不稳火星男孩谈霍金定性的最佳假定。此外,本文还供给了许多用于安稳 DCGAN 操练的其他机器,包含特征匹配、 minibatch 辨认、前史均匀、单边标签滑润和虚拟批标准化。运用这些技巧来构建一个简略的 DCGAN 完成是一个很好的操练,有助于更深化地了解 GAN。
论文:
Improved Techniques for Training GANs
Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chen
https://arxiv.org/abs/1606.03498
Conditional GANs — Mirza and Osindero (2014)
这是一篇很好的论文,读起来很顺利。条件 GAN(Conditional GAN) 是最早进的 GAN之一。论文展现了怎样整合数据的类标签,从而使 GAN 操练愈加安稳。运用先验信息对 GAN 进行调理这样黄立行,必读!生成敌对网络GAN论文TOP 10,金桔的概念,在尔后的 GAN 研讨中是一个重复呈现的主题,关于侧重于 image-to-image 或 text-to-image 的论文特别重要。
Conditional GAN 架构:除了随机噪声向量 z 之外,类标签 y 被衔接在一同作为网络的输入
论文:
Conditional Ge黄立行,必读!生成敌对网络GAN论文TOP 10,金桔nerative Adversarial Nets
Mehdi Mirza, Simon Osindero
https://arxiv.org/abs/1411.1784
Progressively Growing GANs— Karras et al. (2017)
Progressi大悲古寺今日现场直播vely Growing GA亲吻妈妈N (PG-GAN) 有着惊人的成果,以及对 GAN 问题的创造性办法,因而也是一篇必读论文。
这篇 GAN 论文来自 NVIDIA Research,提出以一种渐进增大(progressive growing)的办法操练 GAN,经过运用逐渐增大的 GAN 网络(称为 PG-GAN)和精心处理的CelebA-HQ 数据集,完成了作用令人惊叹的生成图画。作者表明,这种办法不只安稳了操练,GAN 生成的图画也是迄今为止质量最好的。
它的要害主意是渐进地增大生成器和鉴别器:从低分辨率开端,跟着操练的发展,增加新的层对越来越精密的细节进行建模。“Progressive Growing” 指的是先操练 4x4 的网络,然后操练 8x8,不断增大,终究到达 1024x1024。这既加快了操练速度,又大大安稳了操练速度,并且生成的图画质量十分高。
Progressively Growing GAN 的多标准架构,模型从 44 逐渐增大到 10241024
论文:
Progressive Growing of GANs for Improved Quality, 志广世纪集团Stability, and Variation
Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen
https://arxiv.org/abs/1710.10196
相关阅览:
迄今最实在的 GAN:英伟达渐进增大办法操练 GAN,生成史无前例高清图画
BigGAN — Brock et al. (2019)
BigGAN 模型是根据 ImageNet 生成图画质量最高的模型之一。该模型很难在本地机器上完成,并且 BigGAN 有许多组件,如 Self-A黄立行,必读!生成敌对网络GAN论文TOP 10,金桔ttention、 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说。不过,这篇论文对构成当时最早进技能水平的根底论文的思维供给了很好的概述郭伯权职务有变,因而十分值得阅览。
BigGAN 生成的图画
论文:
Large Scale GAN Trainiqbix125ng for High Fidelity Natural Image Synthesis
Andrew Brock, Jeff Donahue, Karen Simonyan
https://arxiv.org/abs/1809.11096
StyleGAN — Karras et al. (20总裁的风水宝妻19)
StyleGAN 模型能够说是最早进的,特别是运用了潜在空间操控。该模型学习了神经风格搬迁中一种称为自适应实例标准化 (AdaIN) 的机制来操控潜在聂祥芝空契婚椿小鹿间向量 z。映射网络和 AdaIN 条件在整个生成器模型中的散布的结合使得很难自己完成一个 StyleGAN,但它仍是一篇空间美食之秀丽餐厅很好的论文,包含了许多风趣的主意。
StyleGAN 架构,答应潜在空间操控
论文:
A Style-Based Generator Architecture for Generativ仙田草场e Adversarial Networks
Tero Karras, Samuli Laine, Timo Aila
https://arxiv.org/abs/1812.04948
CycleGAN — Zhu et al. (2017)
CycleGAN 的论文不同于前面罗列的 6 篇论文,由于它评论的是 image-to-image 的转化问题,而不是随机向量的图画组成问题。CycleGAN 更详细地处理了没有成对操练样本的 image-to-image 转化的状况。但是,由于 Cycle-Consistency loss 公式的高雅性,以及怎样安稳 GAN 操练的启发性,这是一篇很好的论文。CycleGAN 有许多很帅的运用,比方超分辨率,风格转化,例如将马的图画变成斑马。
Cycle Consistency Loss 背面的首要主意,一个语句从法语翻译成英语,再翻译回法语,应该跟本来的是同一个语句
论文:
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros
https://arxiv.org/abs/1703.10593
Pix2Pix — Isola et al. (2016)
Pix2Pix 是另一种图画到图画转化的 GAN 模型。该结构运用成对的操练样本,并在GAN 模型中运用多种不同的装备。读这篇论文时,我觉得最风趣尹澈部分是关于 PatchGAN的评论。Pasw216tchGAN 经过黄立行,必读!生成敌对网络GAN论文TOP 10,金桔调查图画的 7070 的区域来判别它们是真的仍是假的,而不是检查整个图画。该模型还展现了一个风趣的 U-Net 风格的生成器架构,以及在生成器模型中运用 ResNet 风格的 skip connections。 Pix2Pix 有许多很帅的运用,sinderella比方将草图转化成传神的相片。
运用成对的操练样本进行 Image-to-Image 转化
论文:
Image-to-Image黄立行,必读!生成敌对网络GAN论文TOP 10,金桔 Translati邓兰菲on with Conditional Adversarial Networks
Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros
https://arxiv.org/abs/1611.07004
StackGAN — Zhang et al. (2017)
StackGAN 的论文与本列表中的前几篇论文比较十分不同。它与 Conditional GAN 和Progressively Growing GANs 最为类似。StackGAN 模型的作业原理与 Progressively Growing GANs 类似,由于它能够在多个标准上作业。StackGAN 首要输出分辨率为6464 的图画,然后将其作为先验信息生成一个 256256 分辨率的图画。
StackGAN是从自然语言文本生成图画。这是经过改动文本嵌入来完成的,以便捕获视觉特征。这是一篇十分风趣的文章,假如 StyleGAN御花少年 中显现的潜在空间操控与 StackGAN 中界说的自然语言接口相结合,想必会十分令人惊奇。
根据文本嵌入的 StackGAN 多标准架构背面的主意
论文:
StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks
Han Zhang, Tao Xu, Hongsheng Li, Shaoting Zhang, Xiaogang Wang, Xiaolei Huang, Dimitris Metaxas
https://arxiv.org/abs/1612.03242
Generative Adversarial Networks — Goodfellow et al. (2014)
Ian Goodfellow 的原始 GAN 论文对任何研讨 GAN 的人来说都是必读的。这篇论文界说了 GAN 结构,并评论了 “非饱和” 丢失函数。论文还给出了最优判别器的推导,这是近年来 GAN 论文中经常呈现的一个证明。论文还在 MNIST、TFD 和 CIFAR-10 图画数据集上对 GAN 的有效性进行了试验验证。
【假如你黄立行,必读!生成敌对网络GAN论文TOP 10,金桔喜爱EDA365的文章,记住重视和点赞哦!】
版权声明
本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。