ΕπόμενοΕπόμενος οδηγός
Υπό όρους GAN
Οπτική τεχνητή νοημοσύνη
ΟΔΗΓΟΣ οπτικού AI
Προοδευτική Ανάπτυξη των GANs
Η προοδευτική ανάπτυξη εκπαιδεύει ένα GAN ξεκινώντας από μικροσκοπικές αναλύσεις και προσθέτοντας σταδιακά επίπεδα για να φτάσετε σε εικόνες υψηλής ανάλυσης.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
Έχει σημασία γιατί έκανε πρακτική για πρώτη φορά σταθερή σύνθεση GAN ποιότητας megapixel.
Βαθιά κατάδυση
Εισάγεται από τους Karras et al. (NVIDIA) το 2017, η προοδευτική ανάπτυξη (ProGAN) αντιμετωπίζει την αστάθεια και τη βραδύτητα των εκπαιδευτικών GAN απευθείας σε υψηλή ανάλυση. Τόσο η γεννήτρια όσο και η συσκευή διαχωρισμού ξεκινούν μικροσκοπικά, στα 4x4 pixel, μαθαίνοντας μόνο δομή μεγάλης κλίμακας. Νέα επίπεδα που διπλασιάζουν την ανάλυση (8x8, 16x16, έως 1024x1024) προστίθενται στη συνέχεια συμμετρικά και στα δύο δίκτυα κατά τη διάρκεια της εκπαίδευσης. Το σημαντικό είναι ότι κάθε νέο στρώμα ξεθωριάζει ομαλά χρησιμοποιώντας ένα γραμμικό μείγμα άλφα, ώστε το δίκτυο να μην σοκάρεται από μια απότομη αρχιτεκτονική αλλαγή. Με την εκμάθηση χονδροειδών χαρακτηριστικών πριν από λεπτές λεπτομέρειες, η προπόνηση είναι πιο σταθερή, συγκλίνει πιο γρήγορα και παράγει τα πρόσωπα υψηλής πιστότητας που έκαναν διάσημα τα αποτελέσματα CelebA-HQ. Η εργασία εισήγαγε επίσης την τυπική απόκλιση mini-batch και εξισώσει τα ποσοστά μάθησης για περαιτέρω σταθεροποίηση της εκπαίδευσης.
Υλοποίηση σε πραγματικό κόσμο
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.
Το μέλλον της προοδευτικής ανάπτυξης των GANs
Η προοδευτική ανάπτυξη ήταν το θεμέλιο πάνω στο οποίο χτίστηκε το StyleGAN, αλλά το StyleGAN2 έδειξε αργότερα ότι μια σταθερή αρχιτεκτονική με συνδέσεις παράλειψης και υπολειπόμενα μπλοκ θα μπορούσε να ταιριάζει με την ποιότητά της χωρίς το σταδιακό χρονοδιάγραμμα, επομένως η ρητή ανάπτυξη δεν ευνοήθηκε. Η βαθύτερη κληρονομιά παραμένει: η χονδροειδής έως λεπτή παραγωγή εμφανίζεται τώρα σε πολλαπλές κλίμακες διάχυσης, σε διαδοχικούς αγωγούς υπερ-ανάλυσης και σε αναβαθμιστές λανθάνοντος χώρου. Η κατανόηση της προοδευτικής ανάπτυξης παραμένει πολύτιμη για να κατανοήσουμε γιατί η ιεραρχική μάθηση χαμηλής έως υψηλής συχνότητας σταθεροποιεί τη γενετική εκπαίδευση.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Ταχύτητα και κλίμακα. Το Visual AI μπορεί να αυτοματοποιήσει εργασίες επιθεώρησης, ανίχνευσης και επισήμανσης σε κλίμακα.
- Δημιουργήστε επιλογές. Οι δημιουργικές ομάδες μπορούν να δημιουργήσουν πρωτότυπες ιδέες γρηγορότερα με λιγότερες μη αυτόματες αναθεωρήσεις.
- Ομάδα και ροή εργασίας. Οι λειτουργίες μπορούν να χρησιμοποιούν σήματα εικόνας και βίντεο που προηγουμένως ήταν δύσκολο να επεξεργαστούν.
Προσέξτε
- Τα δικαιώματα εικόνας και η συναίνεση μπορεί να αποτελέσουν νομικούς κινδύνους εάν η προέλευση είναι ασαφής.
- Η απόδοση του μοντέλου μπορεί να διαφέρει ανάλογα με το φωτισμό, τα δημογραφικά στοιχεία και τα περιβάλλοντα.
- Τα ψευδώς θετικά μπορεί να περάσουν απαρατήρητα εκτός εάν παρακολουθούνται τα όρια εμπιστοσύνης.
Επόμενα βήματα
- Καθορίστε κριτήρια αποδοχής για το κόστος ακρίβειας, ανάκλησης και σφάλματος.
- Δοκιμή με δεδομένα που ταιριάζουν με πραγματικές συνθήκες παραγωγής.
- Προσθέστε ανθρώπινη κριτική για προβλέψεις χαμηλής εμπιστοσύνης ή υψηλού αντίκτυπου.
- Παρακολουθήστε τη μετατόπιση του μοντέλου και επικυρώστε εκ νέου μετά από αλλαγές κάμερας ή δεδομένων.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Progressive Growing of GANs quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Τι είναι η Προοδευτική Ανάπτυξη των GANs;
Η προοδευτική ανάπτυξη εκπαιδεύει ένα GAN ξεκινώντας από μικροσκοπικές αναλύσεις και προσθέτοντας σταδιακά επίπεδα για να φτάσετε σε εικόνες υψηλής ανάλυσης. Έχει σημασία γιατί έκανε πρακτική για πρώτη φορά σταθερή σύνθεση GAN ποιότητας megapixel.
Πώς ξεκινάει η προπόνηση ενός προοδευτικά αναπτυσσόμενου GAN;
Η εκπαίδευση ξεκινά στα 4x4, όπου τα δίκτυα μαθαίνουν τη χονδροειδή δομή, πριν προστεθούν επίπεδα υψηλότερης ανάλυσης.
Ποιο είναι το κύριο όφελος της σταδιακής αύξησης της ανάλυσης;
Η εκμάθηση χονδροειδών χαρακτηριστικών πρώτα σταθεροποιεί την προπόνηση και επιταχύνει τη σύγκλιση σε σύγκριση με την επίθεση σε πλήρη ανάλυση από την αρχή.
Όταν προστίθεται ένα νέο επίπεδο υψηλότερης ανάλυσης, πώς εισάγεται;
Ένα γραμμικό fade-in συνδυάζει την έξοδο του νέου επιπέδου με μια ανερχόμενη έξοδο χαμηλότερης ανάλυσης, ώστε το δίκτυο να προσαρμόζεται σταδιακά.
Γιατί προστίθενται στρώματα τόσο στη γεννήτρια όσο και στη διάταξη διαχωρισμού;
Και τα δύο δίκτυα αναπτύσσονται παράλληλα, ώστε ο διαχωριστής να μπορεί να συνεχίσει να αξιολογεί τις εικόνες στην τρέχουσα ανάλυση της γεννήτριας.
Ποιος είναι ο σκοπός του επιπέδου τυπικής απόκλισης μίνι παρτίδας που εισάγεται στο ProGAN;
Προσθέτει μια στατιστική σχετικά με τη διακύμανση παρτίδας, ενθαρρύνοντας τη γεννήτρια να παράγει διαφορετικά αποτελέσματα αντί να καταρρέει.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα