Ukuaji Unaoendelea wa GAN
Ukuaji unaoendelea hufunza GAN kwa kuanzia katika maazimio madogo na kuongeza tabaka hatua kwa hatua ili kufikia picha zenye msongo wa juu.
Muhtasari
It matters because it made stable, megapixel-quality GAN synthesis practical for the first time.
Dive ya kina
Ilianzishwa na Karras et al. (NVIDIA) mwaka wa 2017, ukuaji unaoendelea (ProGAN) hushughulikia kukosekana kwa uthabiti na wepesi wa mafunzo ya GAN moja kwa moja kwa ubora wa juu. Jenereta na kibaguzi huanza vidogo, kwa saizi 4x4, kujifunza muundo wa kiwango kikubwa tu. Tabaka mpya ambazo zina azimio mara mbili (8x8, 16x16, hadi 1024x1024) kisha huongezwa kwa ulinganifu kwa mitandao yote miwili wakati wa mafunzo. Muhimu, kila safu mpya hufifia kwa kutumia mseto wa alfa laini ili mtandao usitishwe na mabadiliko ya ghafla ya usanifu. Kwa kujifunza vipengele vikali kabla ya maelezo mazuri, mafunzo huwa thabiti zaidi, huungana kwa haraka, na hutoa nyuso zenye uaminifu wa juu ambazo zilifanya matokeo ya CelebA-HQ kuwa maarufu. Karatasi pia ilianzisha ukengeushaji wa kiwango cha bechi ndogo na viwango vya kujifunza vilivyosawazishwa ili kuleta utulivu zaidi wa mafunzo.
Ufahamu wa Kiufundi
Kufifia ni hila kuu. Kizuizi cha msongo wa juu kinapoongezwa, matokeo yake huchanganywa na toleo lililosawazishwa la azimio la awali kwa kutumia alfa ya uzani ambayo hupanda kutoka 0 hadi 1. Hii huruhusu uzani wa tabaka mpya kuongezeka polepole badala ya kutatiza kile ambacho mtandao tayari umejifunza. Mchakato wa ulinganifu hufanyika kwa kibaguzi. Mkengeuko wa kawaida wa bechi ndogo huongeza kipengele cha muhtasari wa utofauti wa bechi, hivyo kukatisha tamaa jenereta kutokana na kuporomoka hadi matokeo machache.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Ukuaji Unaoendelea wa GAN
Ukuaji wa hatua kwa hatua ulikuwa msingi uliojengwa juu ya StyleGAN, lakini StyleGAN2 baadaye ilionyesha kuwa usanifu usiobadilika wenye miunganisho ya kuruka na mabaki ya vizuizi unaweza kulingana na ubora wake bila ratiba iliyopangwa, kwa hivyo ukuzaji wa wazi haukufaulu. Urithi wa kina zaidi unaendelea: kizazi cha kutoka-kwa-faini sasa kinaonekana katika uenezaji wa viwango vingi, mabomba ya azimio kuu yaliyoporomoka, na viboreshaji vya nafasi iliyofichika. Kuelewa ukuaji unaoendelea kunasalia kuwa muhimu kwa kuelewa ni kwa nini ujifunzaji wa ngazi ya chini hadi wa juu hutawanisha mafunzo zalishaji.
Utekelezaji wa Ulimwengu Halisi
Inazalisha picha za uso wa CelebA-HQ zenye ubora wa juu ambazo zilionyesha usanisi wa 1024x1024 GAN.
Inazalisha sampuli za ubora wa juu za vikoa vingine kama vile vyumba vya kulala (LSUN) na vitu kwa kiwango.
Inatumika kama sehemu ya kuanzia ya usanifu ambayo StyleGAN ilipanua kwa utengenezaji wa uso unaoweza kudhibitiwa.
Kufundisha kanuni ya mafunzo ya ugumu-kwa-faini inayotumika tena katika mabomba ya uzalishaji yaliyoporomoka na ya viwango vingi.
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
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 Progressive Growing of GANs 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
Mwongozo unaofuata
GAN za masharti
Maswali yanayoulizwa mara kwa mara
What is Progressive Growing of GANs?
Ukuaji unaoendelea hufunza GAN kwa kuanzia katika maazimio madogo na kuongeza tabaka hatua kwa hatua ili kufikia picha zenye msongo wa juu. Ni muhimu kwa sababu ilifanya usanisi wa GAN thabiti, wa ubora wa megapixel kuwa wa kutumika kwa mara ya kwanza.
Je! GAN inayokua polepole huanzaje mafunzo?
Mafunzo huanza saa 4x4, ambapo mitandao hujifunza muundo mbaya, kabla ya tabaka za azimio la juu kuongezwa.
Ni faida gani kuu ya kukuza azimio hatua kwa hatua?
Vipengele vya kujifunzia visivyo vya kawaida kwanza hudumisha mafunzo na kasi ya muunganisho ikilinganishwa na kushambulia mwonekano kamili tangu mwanzo.
Wakati safu mpya ya azimio la juu inapoongezwa, inaletwaje?
Mstari wa kufifia huchanganya matokeo ya safu mpya na towe la azimio la chini lililokuzwa zaidi ili mtandao ujirekebishe hatua kwa hatua.
Kwa nini tabaka zinaongezwa kwa jenereta na kibaguzi?
Mitandao yote miwili hukua sanjari ili mbaguzi aweze kuendelea kutathmini picha katika azimio la sasa la jenereta.
Ni nini madhumuni ya safu ya mchepuko wa kiwango cha minibatch iliyoletwa katika ProGAN?
Inaambatanisha takwimu kuhusu utofauti wa bechi, ikihimiza jenereta kutoa matokeo tofauti badala ya kuporomoka.