Wasserstein GAN
Το Wasserstein GAN (WGAN) είναι ένας επανασχεδιασμός του εκπαιδευτικού στόχου GAN που χρησιμοποιεί την απόσταση Wasserstein αντί της αρχικής ελάχιστης μέγιστης απώλειας.
Επισκόπηση
It makes notoriously unstable GAN training far more reliable and gives a loss value that actually correlates with image quality.
Βαθιά κατάδυση
Τα πρωτότυπα GAN εκπαιδεύουν δύο δίκτυα σε μια διελκυστίνδα: μια γεννήτρια φτιάχνει ψεύτικες εικόνες και ένας διακριτικός προσπαθεί να τις εντοπίσει. Αυτό συχνά καταρρέει ή σταματά επειδή η απώλεια του ατόμου που διακρίνει δεν λέει τίποτα χρήσιμο για την πρόοδο. Το WGAN, το οποίο εισήχθη από τους Arjovsky, Chintala και Bottou το 2017, αντικαθιστά το διακριτικό με έναν «κριτικό» που βαθμολογεί πόσο αληθινή φαίνεται μια εικόνα σε συνεχή κλίμακα αντί να ταξινομεί το πραγματικό-έναντι-ψεύτικο. Ο στόχος εκπαίδευσης γίνεται η απόσταση Wasserstein (γήινης κίνησης) μεταξύ της πραγματικής και της παραγόμενης κατανομής δεδομένων. Αυτή η απόσταση δίνει πιο ομαλές, πιο ουσιαστικές διαβαθμίσεις ακόμα και όταν οι δύο κατανομές ελάχιστα επικαλύπτονται, μειώνοντας δραματικά την κατάρρευση της λειτουργίας και καθιστώντας την καμπύλη απώλειας ένα πραγματικό σήμα ποιότητας.
Τεχνική διορατικότητα
Η απόσταση Wasserstein μετρά διαισθητικά την ελάχιστη «δουλειά» για να μεταμορφώσει έναν σωρό βρωμιάς (την ψεύτικη κατανομή) σε έναν άλλο (την πραγματική). Ο υπολογισμός του βασίζεται στη δυαδικότητα Kantorovich-Rubinstein, η οποία απαιτεί από τον κριτικό να είναι 1-Lipschitz (περιορισμένες κλίσεις). Το αρχικό WGAN το επέβαλλε αυτό ωμά, κόβοντας τα βάρη σε ένα μικρό εύρος. Το WGAN-GP αργότερα αντικατέστησε το απόκομμα με μια ποινή κλίσης που ωθεί απαλά την νόρμα κλίσης του κριτικού προς το 1, προπονώντας πιο σταθερά.
Στρατηγικός αντίκτυπος
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.
Το μέλλον του Wasserstein GAN
Η βασική αντίληψη του WGAN, ότι η επιλογή της απόστασης διανομής διαμορφώνει την ποιότητα της κλίσης, εξακολουθεί να αντηχεί μέσω της παραγωγικής μοντελοποίησης. Ενώ τα μοντέλα διάχυσης κυριαρχούν πλέον στη σύνθεση εικόνας, οι ιδέες βέλτιστης μεταφοράς από το WGAN επανεμφανίζονται στην αντιστοίχιση ροής, στις μεθόδους γέφυρας Schrodinger και στην απόσταξη των μοντέλων διάχυσης σε γρήγορες γεννήτριες λίγων βημάτων. Αναμένετε στόχους τύπου Wasserstein να συνεχίσουν να ενημερώνουν τις υβριδικές προσεγγίσεις όπου έχει σημασία η σταθερή εκπαίδευση και μια σημαντική μετρική απώλεια, ειδικά σε επιστημονικούς τομείς και τομείς χαμηλών δεδομένων.
Υλοποίηση σε πραγματικό κόσμο
Δημιουργία φωτορεαλιστικών προσώπων και υφών όπου τα GAN βανίλιας κατέρρευσαν σε μερικές επαναλαμβανόμενες εξόδους
Παραγωγή συνθετικών ιατρικών εικόνων, όπως μαγνητική τομογραφία ή ιστολογικά επιθέματα, για την αύξηση σπάνιων συνόλων δεδομένων με ετικέτα
Μοντελοποίηση συμβάντων σύγκρουσης σωματιδίων σε προσομοιώσεις φυσικής υψηλής ενέργειας όπου η σταθερή εκπαίδευση είναι κρίσιμη
Λειτουργεί ως βασικό σημείο αναφοράς στην έρευνα ML επειδή η απώλειά της παρακολουθεί την ποιότητα του δείγματος σε σχέση με την εκπαίδευση
Κίνδυνοι & προστατευτικά κιγκλιδώματα
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.
Οδικός Χάρτης Εφαρμογής
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
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
Επόμενος οδηγός
ESRGAN και GAN Super-Resolution
Συχνές ερωτήσεις
What is Wasserstein GAN?
Το Wasserstein GAN (WGAN) είναι ένας επανασχεδιασμός του εκπαιδευτικού στόχου GAN που χρησιμοποιεί την απόσταση Wasserstein αντί της αρχικής ελάχιστης μέγιστης απώλειας. Κάνει πολύ πιο αξιόπιστη την εξαιρετικά ασταθή προπόνηση GAN και δίνει μια τιμή απώλειας που στην πραγματικότητα συσχετίζεται με την ποιότητα της εικόνας.
Ποια μέτρηση απόστασης χρησιμοποιεί το WGAN για τη σύγκριση πραγματικών και παραγόμενων κατανομών;
Το WGAN αντικαθιστά τον αρχικό αντικειμενικό στόχο που βασίζεται στο Jensen-Shannon με την απόσταση Wasserstein, η οποία παρέχει πιο ομαλές κλίσεις ακόμα και όταν οι διανομές ελάχιστα επικαλύπτονται.
Στο WGAN, το δίκτυο που ήταν ο διαχωριστής μετονομάζεται σε τι και γιατί;
Ο κριτικός βαθμολογεί εικόνες σε συνεχή κλίμακα αντί να ταξινομεί αληθινές έναντι ψεύτικες, κάτι που κάνει το Wasserstein να λειτουργεί αντικειμενικά.
Γιατί ο κριτικός του WGAN πρέπει να περιοριστεί να είναι 1-Lipschitz;
Η δυαδικότητα που επιτρέπει στο WGAN να εκτιμήσει την απόσταση Wasserstein ισχύει μόνο για συναρτήσεις 1-Lipschitz, επομένως οι διαβαθμίσεις του κριτικού πρέπει να οριοθετούνται.
Πώς το αρχικό WGAN επέβαλε τον περιορισμό Lipschitz;
Το πρώτο χαρτί WGAN χρησιμοποίησε ακατέργαστο κούρεμα βάρους. Το WGAN-GP αργότερα το αντικατέστησε με μια ομαλότερη ποινή κλίσης.
Ποιο πρόβλημα μειώνει σημαντικά το WGAN σε σύγκριση με τα GAN βανίλιας;
Οι πιο ομαλές κλίσεις του WGAN περιορίζουν τη λειτουργία κατάρρευσης και παράγουν απώλεια που στην πραγματικότητα συσχετίζεται με την ποιότητα του δείγματος.