Vizuális MI ÚTMUTATÓ

A GAN-ok progresszív növekedése

A progresszív növekedés úgy edzi a GAN-t, hogy kis felbontástól kezdve fokozatosan rétegeket ad hozzá a nagy felbontású képek eléréséhez.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A GAN-ok progresszív növekedésének jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

It matters because it made stable, megapixel-quality GAN synthesis practical for the first time.

Mély merülés

Karras et al. (NVIDIA) 2017-ben a progresszív növekedés (ProGAN) megbirkózik a GAN-ok képzésének instabilitásával és lassúságával közvetlenül nagy felbontáson. Mind a generátor, mind a diszkriminátor kicsiben kezdődik, 4x4 pixelben, és csak nagyméretű szerkezetet tanul meg. A felbontást megduplázó új rétegek (8x8, 16x16, legfeljebb 1024x1024) ezután szimmetrikusan hozzáadódnak mindkét hálózathoz a képzés során. Lényeges, hogy minden új réteg zökkenőmentesen elhalványul egy lineáris alfa-keverék segítségével, így a hálózatot nem sokkolja egy hirtelen építészeti változás. Azáltal, hogy a durva jellemzőket a finom részletek előtt tanulja meg, az edzés stabilabb, gyorsabban konvergál, és olyan hifi arcokat produkál, amelyek híressé tették a CelebA-HQ eredményeit. A tanulmány emellett bevezette a minibatch szórást és a kiegyenlített tanulási arányokat a képzés további stabilizálása érdekében.

Valós megvalósítás

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.

A GAN-ok progresszív növekedésének jövője

A progresszív növekedés volt a StyleGAN alapja, de a StyleGAN2 később megmutatta, hogy egy fix architektúra átugrásokkal és maradék blokkokkal a fokozatos ütemezés nélkül is megfelel a minőségének, így az explicit növekedés kiesett. A mélyebb örökség továbbra is fennáll: a durva-finom generálás most megjelenik a többléptékű diffúzióban, a kaszkádos szuperfelbontású csővezetékekben és a látens tér feljavítóiban. A progresszív növekedés megértése továbbra is értékes annak megértéséhez, hogy a hierarchikus, alacsony-magas frekvenciájú tanulás miért stabilizálja a generatív képzést.

A gyakorlatba ültetés

Miért számít

  • Sebesség és méretarány. A vizuális AI képes automatizálni az ellenőrzési, észlelési és címkézési feladatokat nagy léptékben.
  • Építési lehetőségek. A kreatív csapatok gyorsabban prototípusokat készíthetnek a koncepciókból, kevesebb kézi átdolgozással.
  • Csapat és munkafolyamat. A műveletek olyan kép- és videojeleket használhatnak, amelyeket korábban nehéz volt feldolgozni.

Vigyázz

  • A képhez fűződő jogok és a beleegyezés jogi kockázatot jelenthet, ha a származás nem egyértelmű.
  • A modell teljesítménye a világítástól, a demográfiai adatoktól és a környezettől függően változhat.
  • A hamis pozitívumok észrevétlenek maradhatnak, hacsak nem figyelik a megbízhatósági küszöböket.

Következő lépések

  1. Határozza meg a pontosság, a visszahívás és a hibaköltségek elfogadási kritériumait.
  2. Tesztelje a valós gyártási feltételeknek megfelelő adatokkal.
  3. Adjon hozzá emberi felülvizsgálatot az alacsony megbízhatóságú vagy nagy hatású előrejelzésekhez.
  4. A modell elsodródásának nyomon követése és újbóli érvényesítése a kamera vagy az adatkészlet módosítása után.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Progressive Growing of GANs quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

What is Progressive Growing of GANs?

A progresszív növekedés úgy edzi a GAN-t, hogy kis felbontástól kezdve fokozatosan rétegeket ad hozzá a nagy felbontású képek eléréséhez. Ez azért fontos, mert a stabil, megapixel minőségű GAN szintézist most először tette praktikussá.

Hogyan kezdi el a képzést egy fokozatosan felnövő GAN?

A képzés 4x4-nél kezdődik, ahol a hálózatok megtanulják a durva szerkezetet, mielőtt nagyobb felbontású rétegeket adnak hozzá.

Mi a fő előnye a felbontás fokozatos növelésének?

A durva jellemzők elsajátítása először stabilizálja az edzést és felgyorsítja a konvergenciát, összehasonlítva a kezdetektől fogva teljes felbontású támadással.

Ha új, nagyobb felbontású réteget adunk hozzá, hogyan kerül bevezetésre?

A lineáris fade-in ötvözi az új réteg kimenetét egy felmintavételezett, alacsonyabb felbontású kimenettel, így a hálózat fokozatosan alkalmazkodik.

Miért adnak rétegeket a generátorhoz és a diszkriminátorhoz is?

Mindkét hálózat párhuzamosan növekszik, így a diszkriminátor folyamatosan a generátor aktuális felbontásán tudja kiértékelni a képeket.

Mi a célja a ProGAN-ban bevezetett minibatch szórásrétegnek?

Statisztikát ad hozzá a kötegelt változásról, és arra ösztönzi a generátort, hogy változatos kimeneteket állítson elő, ahelyett, hogy összeomolna.