СледваСледващо ръководство
Условни GAN
Визуален AI
РЪКОВОДСТВО за визуален AI
Прогресивно нарастване на GAN
Прогресивното отглеждане обучава GAN, като започва с малки разделителни способности и постепенно добавя слоеве, за да достигне изображения с висока разделителна способност.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
It matters because it made stable, megapixel-quality GAN synthesis practical for the first time.
Дълбоко гмуркане
Въведено от Karras et al. (NVIDIA) през 2017 г., прогресивното нарастване (ProGAN) се справя с нестабилността и бавното обучение на GAN директно при висока резолюция. И генераторът, и дискриминаторът започват с малки размери, при 4x4 пиксела, заучавайки само мащабна структура. След това нови слоеве, които удвояват разделителната способност (8x8, 16x16, до 1024x1024), се добавят симетрично към двете мрежи в хода на обучението. Най-важното е, че всеки нов слой се избледнява плавно, като се използва линейна алфа смес, така че мрежата да не бъде шокирана от рязка архитектурна промяна. Чрез научаване на грубите черти преди фините детайли, обучението е по-стабилно, сближава се по-бързо и създава висококачествени лица, които направиха резултатите на CelebA-HQ известни. Документът също така въведе стандартно отклонение на минипартиди и изравнени скорости на обучение за по-нататъшно стабилизиране на обучението.
Внедряване в реалния свят
Training on CelebA-HQ to generate synthetic high-resolution face samples.
Studying GAN synthesis on LSUN scene categories.
Understanding the staged architecture that the original StyleGAN extended.
Comparing coarse-to-fine schedules with later fixed-architecture GAN training.
Бъдещето на прогресивното разрастване на GAN
Прогресивното разрастване беше основата, върху която се гради StyleGAN, но StyleGAN2 по-късно показа, че фиксирана архитектура с прескачащи връзки и остатъчни блокове може да отговаря на качеството си без поетапния график, така че явното разрастване изпадна в немилост. По-дълбокото наследство продължава: генерирането от грубо към фино сега се появява в многомащабна дифузия, каскадни тръбопроводи със супер разделителна способност и ъпскейлери в латентно пространство. Разбирането на прогресивното израстване остава ценно за разбиране защо йерархичното обучение с ниска към висока честота стабилизира генеративното обучение.
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 Progressive Growing of 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
What is Progressive Growing of GANs?
Прогресивното отглеждане обучава GAN, като започва с малки разделителни способности и постепенно добавя слоеве, за да достигне изображения с висока разделителна способност. Има значение, защото направи стабилен GAN синтез с качество на мегапиксела практичен за първи път.
Как един прогресивно пораснал GAN започва обучение?
Обучението започва от 4x4, където мрежите научават груба структура, преди да се добавят слоеве с по-висока разделителна способност.
Каква е основната полза от постепенното нарастване на резолюцията?
Изучаването на груби функции първо стабилизира обучението и ускорява конвергенцията в сравнение с атакуването на пълна разделителна способност от самото начало.
Когато се добави нов слой с по-висока разделителна способност, как се въвежда?
Линейното затихване смесва изхода на новия слой с увеличен изход с по-ниска разделителна способност, така че мрежата да се адаптира постепенно.
Защо се добавят слоеве както към генератора, така и към дискриминатора?
И двете мрежи растат в тандем, така че дискриминаторът може да продължи да оценява изображенията при текущата разделителна способност на генератора.
Каква е целта на слоя със стандартно отклонение за минипартиди, въведен в ProGAN?
Той добавя статистика за вариациите на партидите, насърчавайки генератора да произвежда различни резултати, вместо да се срива.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема