ДалееСледующее руководство
Условные GAN
Визуальный ИИ
Визуальное руководство по искусственному интеллекту
Прогрессивное развитие GAN
Прогрессивное выращивание тренирует GAN, начиная с крошечных разрешений и постепенно добавляя слои для достижения изображений с высоким разрешением.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
Это важно, потому что оно впервые сделало практичным стабильный синтез GAN мегапиксельного качества.
Глубокое погружение
Представлено Каррасом и др. (NVIDIA) в 2017 году компания Progressive Growing (ProGAN) решает проблему нестабильности и медленности обучения GAN непосредственно в высоком разрешении. И генератор, и дискриминатор начинаются с крошечных размеров, размером 4х4 пикселя, изучая только крупномасштабную структуру. Новые слои, которые удваивают разрешение (8x8, 16x16, вплоть до 1024x1024), затем добавляются симметрично в обе сети в ходе обучения. Важно отметить, что каждый новый слой плавно проявляется с использованием линейного альфа-смешивания, поэтому сеть не подвергается шоку из-за резких архитектурных изменений. Благодаря изучению грубых деталей перед мелкими деталями обучение становится более стабильным, быстрее сходится и позволяет получить лица с высокой точностью, которые прославили результаты CelebA-HQ. В документе также представлено стандартное отклонение мини-пакетов и уравнена скорость обучения для дальнейшей стабилизации обучения.
Реальная реализация
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.
Будущее прогрессивного роста GAN
Прогрессивный рост был основой, на которой строился StyleGAN, но позже StyleGAN2 показал, что фиксированная архитектура с пропусками соединений и остаточными блоками может соответствовать своему качеству без поэтапного графика, поэтому явный рост вышел из моды. Более глубокое наследие сохраняется: генерация от грубого к точному теперь проявляется в многомасштабной диффузии, каскадных конвейерах сверхвысокого разрешения и устройствах масштабирования скрытого пространства. Понимание прогрессивного роста остается ценным для понимания того, почему иерархическое обучение с низкой и высокой частотой стабилизирует генеративное обучение.
Применение на практике
Почему это важно
- Скорость и масштаб. Визуальный ИИ может автоматизировать задачи проверки, обнаружения и маркировки в любом масштабе.
- Выбор сборки. Творческие группы могут быстрее создавать прототипы концепций с меньшим количеством доработок вручную.
- Команда и рабочий процесс. Операции могут использовать изображения и видеосигналы, которые раньше было трудно обрабатывать.
Следите за
- Права на изображение и согласие могут стать юридическими рисками, если происхождение неясно.
- Производительность модели может варьироваться в зависимости от освещения, демографии и окружающей среды.
- Ложноположительные результаты могут остаться незамеченными, если не контролировать пороговые значения достоверности.
Следующие шаги
- Определите критерии приемки точности, стоимости отзыва и ошибок.
- Тестируйте с данными, которые соответствуют реальным производственным условиям.
- Добавьте человеческую проверку для прогнозов с низкой достоверностью или высокой эффективностью.
- Отслеживайте дрейф модели и выполняйте ее повторную проверку после изменений камеры или набора данных.
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Progressive Growing of GANs quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
Что такое прогрессивный рост GAN?
Прогрессивное выращивание тренирует GAN, начиная с крошечных разрешений и постепенно добавляя слои для достижения изображений с высоким разрешением. Это важно, потому что оно впервые сделало практичным стабильный синтез GAN мегапиксельного качества.
Как начинает тренироваться постепенно выросший GAN?
Обучение начинается с 4x4, когда сети изучают грубую структуру, а затем добавляются слои с более высоким разрешением.
Какова основная польза постепенного увеличения разрешения?
Изучение грубых функций сначала стабилизирует обучение и ускоряет сходимость по сравнению с использованием полного разрешения с самого начала.
Когда добавляется новый слой с более высоким разрешением, как он вводится?
Линейное постепенное появление смешивает выходные данные нового слоя с повышенными выходными данными с более низким разрешением, поэтому сеть адаптируется постепенно.
Почему слои добавляются и к генератору, и к дискриминатору?
Обе сети растут одновременно, поэтому дискриминатор может продолжать оценивать изображения с текущим разрешением генератора.
Какова цель слоя стандартного отклонения мини-пакета, представленного в ProGAN?
Он добавляет статистику об изменениях в партиях, побуждая генератор производить разнообразные выходные данные, а не разрушаться.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме