对抗神经网络

GAN(生成对抗神经网络)能gan(干)什么?|万字总结20种应用

生成对抗神经网络(GAN)的应用非常广泛,近年来,对GAN的研究也越来越多,成为深度学习中最为活跃的领域之一。 我在本文中对GAN网络的主要应用进行详细梳理,共总结出近20种应用,给出了代表性论文。 一、生成 生成图像数据集的示例 Generate Examples for Image Datasets 示例一 Ian Goodfellow等人在原始论文中描述了生成新的可信样本的应用。在2014年的论文“ Generative Adversarial Networks ”中,使用GAN为MNIST手写数字数据集,CIFAR-10小物体照片数据集和Toronto Face数据库生成了新的合理示例。 用于生成图像数据集新示例的GAN实例(Generative Adversarial Nets, 2014) 示例二 Alec Radford等人在2015年发表的论文 “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks”。使用DCGAN实现大规模训练稳定的GAN。他们演示了用于生成卧室新示例的模型...

SinGAN:实现(系列:SinGAN研究)

下载git 首先将github上的项目转存到国内gitee码云,这样下载速度较快。 cd cd /home/zyb/zyb/GeoM git clone https://gitee.com/zyabo/SinGAN.git 新建环境 需要pytorch为1.4版本 详细方法:点击→博文。 进入环境: cd source /home/zyb/zyb/anaconda3/etc/profile.d/conda.sh conda activate AIPyTorch04 训练和实验 Train To train SinGAN model on your own image, put the desired training image under Input/Images, and run python main_train.py –input_name <input_file_name> This will also use the resulting trained model to generate random samples starting from the coarsest scale (n=0).这...

SinGAN:单图像GAN(系列:SinGAN研究)

最近,我对从单个图像而不是大型数据集学习GAN生成模型的潜力感到兴趣。 代表性的论文是SinGAN: Shaham, T.R., Dekel, T., Michaeli, T.: Singan: Learning a generative model from a single natural image. In: Proceedings of the IEEE International Conference on Computer Vision. pp. 4570–4580 (2019) 这项工作具有实际意义,因为它意味着可以在无法收集大型数据集的领域中使用生成模型。 图1显示了仅在单个图像上训练的模型可以生成的示例。 图1:在无条件图像生成的单个图像上训练的模型示例。 单图像生成模型还可以用于许多其他任务,例如图像超分辨率,图像动画和图像去雾。 图2和图3显示了模型应用于图像协调和图像编辑的一些示例。 图2:适用于图像协调的模型示例。      图3:适用于图像编辑的模型示例。      甚至可以将它们用于图像动画之类的任务,如图4所示。 图4:图像动画示例...