ዋሰርስታይን ጋን
Wasserstein GAN (WGAN) ከመጀመሪያው ዝቅተኛ-ከፍተኛ ኪሳራ ይልቅ የ Wasserstein ርቀትን የሚጠቀም የGAN የሥልጠና ዓላማን በአዲስ መልክ ንድፍ ነው።
አጠቃላይ እይታ
It makes notoriously unstable GAN training far more reliable and gives a loss value that actually correlates with image quality.
ጥልቅ ዳይቭ
ኦሪጅናል GANs ሁለት ኔትወርኮችን በጦርነት ውስጥ ያሰለጥናሉ፡ ጀነሬተር የውሸት ምስሎችን ይሠራል እና አድሎአዊ እነሱን ለማየት ይሞክራል። ይህ ብዙውን ጊዜ ይወድቃል ወይም ይቆማል ምክንያቱም የአድልኦው ኪሳራ ስለ እድገት ምንም አይጠቅምም። በ2017 በአርጆቭስኪ፣ ቺንታላ እና ቦትቱ የተዋወቀው WGAN አድልዎ አድራጊውን በ‹ሃያሲ› ይተካዋል፣ ይህም ምስል ምን ያህል እውነትን ቀጣይነት ባለው ሚዛን ላይ እንደሚመስል በመግለጽ ሪል-ቪስ-ሐሰትን ከመፈረጅ ይልቅ። የስልጠና ኢላማው በእውነተኛ እና በተፈጠረው የውሂብ ስርጭቶች መካከል የ Wasserstein (መሬት አንቀሳቃሽ) ርቀት ይሆናል። ይህ ርቀት ሁለቱ ስርጭቶች እምብዛም በሚደራረቡበት ጊዜ እንኳን ለስላሳ፣ የበለጠ ትርጉም ያለው ቅልመት ይሰጣል፣የሞድ ውድቀትን በሚያስደንቅ ሁኔታ ይቀንሳል እና የጠፋውን ኩርባ እውነተኛ የጥራት ምልክት ያደርገዋል።
ቴክኒካዊ ግንዛቤ
የ Wasserstein ርቀቱ አንድን ቆሻሻ (የውሸት ስርጭትን) ወደ ሌላ (እውነተኛው) ለመቅረጽ ዝቅተኛውን 'ስራ' በማስተዋል ይለካል። እሱን ማስላት በካንቶሮቪች-ሩቢንስታይን ድብልታ ላይ የተመሰረተ ነው፣ ይህም ተቺው 1-ሊፕስቺትዝ (የገደብ ቅልመት) እንዲሆን ይፈልጋል። የመጀመሪያው WGAN ክብደቶችን ወደ ትንሽ ክልል በመቁረጥ ይህንን በጭካኔ አስገድዶታል። ደብሊውጋን-ጂፒ በኋላ መቆራረጥን በተቀጣጣይ ቅጣት በመተካት የሃያሲውን ቀስ በቀስ ወደ 1 በመግፋት ይበልጥ በተረጋጋ ሁኔታ በማሰልጠን።
ስልታዊ ተጽእኖ
ፍጥነት እና ልኬት
ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።
ምርጫዎችን ይገንቡ
የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።
ቡድን እና የስራ ፍሰት
ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።
የ Wasserstein GAN የወደፊት
የWGAN ዋና ግንዛቤ፣ የስርጭት ርቀት ምርጫ ቀስ በቀስ ጥራትን እንደሚቀርጽ፣ አሁንም በጄነሬቲቭ ሞዴሊንግ ያስተጋባል። የስርጭት ሞዴሎች አሁን የምስል ውህደትን ሲቆጣጠሩ፣ ከWGAN ጥሩ የማጓጓዣ ሀሳቦች በፍሰት ማዛመድ፣ በሽሮዲገር-ብሪጅ ዘዴዎች እና የማሰራጨት ሞዴሎችን ወደ ፈጣን ጥቂት-ደረጃ ጀነሬተሮች በማሰራጨት እንደገና ይታያሉ። የተረጋጋ ስልጠና እና ትርጉም ያለው ኪሳራ ሜትሪክ ጉዳዮችን በተለይም በሳይንሳዊ እና ዝቅተኛ የውሂብ ጎራዎች ውስጥ ያሉ ድብልቅ አቀራረቦችን ለማሳወቅ የWasserstein አይነት አላማዎችን ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
ቫኒላ GANs ወደ ጥቂት ተደጋጋሚ ውጽዓቶች የተፈራረቁበትን ፎቶ እውነታዊ ፊቶችን እና ሸካራዎችን በማፍለቅ ላይ
ብዙም ያልተለጠፈ የውሂብ ስብስቦችን ለመጨመር እንደ MRI ወይም histology patches ያሉ ሰው ሠራሽ የሕክምና ምስሎችን ማምረት
የተረጋጋ ስልጠና ወሳኝ በሆነበት ከፍተኛ ኃይል ባለው የፊዚክስ ማስመሰያዎች ውስጥ ቅንጣት-ግጭት ክስተቶችን መቅረጽ
በኤምኤል ጥናት ውስጥ እንደ መነሻ መለኪያ ሆኖ ማገልገል፣ ምክንያቱም ኪሳራው ከስልጠናው ይልቅ የናሙና ጥራትን ስለሚከታተል ነው።
አደጋዎች እና የጥበቃ መንገዶች
የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።
የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።
የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።
የትግበራ ፍኖተ ካርታ
ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።
ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።
ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።
ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Wasserstein GAN quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
ESRGAN እና GAN ልዕለ-ጥራት
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Wasserstein GAN?
Wasserstein GAN (WGAN) ከመጀመሪያው ዝቅተኛ-ከፍተኛ ኪሳራ ይልቅ የ Wasserstein ርቀትን የሚጠቀም የGAN የሥልጠና ዓላማን በአዲስ መልክ ንድፍ ነው። ታዋቂው ያልተረጋጋ የGAN ስልጠና የበለጠ አስተማማኝ ያደርገዋል እና ከምስል ጥራት ጋር የሚዛመድ ኪሳራ እሴት ይሰጣል።
WGAN እውነተኛ እና የመነጩ ስርጭቶችን ለማነጻጸር ምን የርቀት መለኪያ ይጠቀማል?
WGAN ዋናውን የጄንሰን-ሻንኖን መሰረት ያደረገ አላማን በ Wasserstein ርቀት ይተካዋል፣ ይህም ስርጭቶች በቀላሉ በሚደራረቡበት ጊዜ እንኳን ለስላሳ ቅልጥፍናዎችን ይሰጣል።
በWGAN ውስጥ፣ አድልዎ የነበረው አውታረመረብ ወደ ምን ተሰይሟል፣ እና ለምን?
ተቺው እውነተኛ እና ሀሰትን ከመፈረጅ ይልቅ ምስሎችን በተከታታይ ሚዛን ያስቀምጣል፣ ይህም የ Wasserstein ን አላማ እንዲሰራ የሚያደርገው ነው።
ለምንድነው የWGAN ተቺ 1-ሊፕቺትዝ እንዲሆን መገደድ ያለበት?
WGAN የ Wasserstein ርቀትን ለመገመት የሚያስችለው ለ1-ሊፕስቺትዝ ተግባራት ብቻ ነው የሚይዘው፣ ስለዚህ የሃያሲው ቅልመት መታሰር አለበት።
የመጀመሪያው WGAN የሊፕሺትዝ እገዳን እንዴት ተግባራዊ አደረገ?
የመጀመሪያው የ WGAN ወረቀት ጥሬ የክብደት መቆራረጥን ተጠቅሟል; WGAN-GP በኋላ በተቀላጠፈ ቀስ በቀስ ቅጣት ተክቶታል።
ከቫኒላ ጋን ጋር ሲነጻጸር ምን ችግር WGAN ይቀንሳል?
የWGAN ለስላሳ ቅልመት ሁነታ መደርመስን በመግታት እና ከናሙና ጥራት ጋር የሚዛመድ ኪሳራ ያስገኛሉ።