СледваСледващо ръководство
Прогресивно нарастване на GAN
Визуален AI
РЪКОВОДСТВО за визуален AI
Условни GAN
Условните GAN (cGAN) разширяват обикновените GAN, като подават допълнителна информация, като етикет на клас или текст, както в генератора, така и в дискриминатора.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Това ви позволява да контролирате какво произвежда мрежата, вместо да получавате произволни изходи.
Дълбоко гмуркане
Стандартният GAN превръща случаен шум в изображение, но не ви дава мнение за резултата. Условните GAN, предложени от Mirza и Osindero през 2014 г., коригират това чрез кондициониране на генериране на етикет y. И двете мрежи получават y: генераторът комбинира шума с етикета, за да произведе съответстващо изображение, докато дискриминаторът преценява дали изображението е едновременно реалистично и съвместимо с етикета. Обучете го на MNIST с цифрови етикети и можете да поискате конкретно „7“. Сигналът за кондициониране може да бъде вектор от един горещ клас, вграждане, набор от атрибути или дори друго изображение. Тази идея за управление на генерирането е основата, която прави възможни системите текст към изображение и изображение към изображение.
Внедряване в реалния свят
Генериране на конкретна ръкописна цифра или обектен клас при поискване, а не на случаен принцип
Синтезиране на лица с избрани атрибути като възраст, прическа, очила или изражение
Захранване на ранни тръбопроводи за текст към изображение, където надпис определя генерираната картина
Създаване на класово балансирани синтетични данни за увеличаване на недостатъчно представените категории в наборите за обучение
Бъдещето на условните GAN
Условното генериране вече е стандартното очакване: потребителите искат да посочат какво получават. Идеята за кондициониране на етикети се обобщава в кондициониране на обогатен текст чрез кръстосано внимание в дифузионни модели като Stable Diffusion и в пространствено кондициониране в стил ControlNet, използвайки ръбове, дълбочина или поза. Бъдещите системи ще приемат все по-гъвкави и мултимодални условия, смесвайки текст, скици, аудио и 3D ограничения, като същевременно ще подобрят доколко вярно резултатите зачитат всяка част от инструкцията.
Прилагайки го на практика
Защо има значение
- Скорост и мащаб. Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
- Избор на билдове. Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
- Екип и работен процес. Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Внимавайте за
- Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
- Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
- Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Следващи стъпки
- Определете критерии за приемане за прецизност, извикване и разходи за грешки.
- Тествайте с данни, които съответстват на реалните производствени условия.
- Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
- Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Conditional GANs quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво представляват условните GAN?
Условните GAN (cGAN) разширяват обикновените GAN, като подават допълнителна информация, като етикет на клас или текст, както в генератора, така и в дискриминатора. Това ви позволява да контролирате какво произвежда мрежата, вместо да получавате произволни изходи.
Каква е основната разлика между условен GAN и стандартен GAN?
Условните GAN добавят кондициониращ сигнал (като етикет) както към генератора, така и към дискриминатора, така че можете да посочите какво се генерира.
В cGAN, обучен на етикетирани цифри, какво можете да направите, което обикновен GAN не може?
Тъй като генерирането зависи от етикета, можете да поискате от генератора конкретен клас вместо случаен изход.
Какво трябва да провери дискриминаторът на cGAN, освен дали изображението изглежда реално?
Дискриминаторът наказва реалистично изглеждащи изображения, които не съответстват на тяхното състояние, принуждавайки генератора да спазва етикета.
Кой е често срещаният начин за подаване на кондициониращ сигнал към генератора?
Прост и често срещан подход свързва етикета (често един горещ или вграждане) към вектора на шума на генератора.
Условните GAN положиха основата за коя по-късна възможност?
Управлението на генерирането чрез условие е точно това, на което разчитат системите за текст към изображение и изображение към изображение.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема