Usanifu wa StyleGAN
StyleGAN ni mtandao mzalishaji wa maadui kutoka NVIDIA ambao hutokeza nyuso na vitu halisi vya kushangaza kwa kuingiza maelezo ya mtindo katika kila safu.
Muhtasari
It matters because its design gives unprecedented, disentangled control over coarse and fine image attributes.
Dive ya kina
StyleGAN, iliyoletwa na Karras et al. mnamo 2018, ilisanifu upya jenereta ya GAN kulingana na wazo la 'mtindo.' Badala ya kulisha vekta nasibu moja kwa moja kwenye mtandao, kwanza huweka msimbo fiche z kupitia MLP ya safu-8 hadi nafasi ya kati W, ambayo hutenganisha vipengele vya utofauti. Tena iliyosomwa mara kwa mara husawazishwa hatua kwa hatua, na katika kila azimio vekta ya mtindo hurekebisha ramani za vipengele kupitia Urekebishaji wa Hali ya Adaptive (AdaIN), kudhibiti sifa kutoka kwa mkao (tabaka mbavu) hadi umbile la ngozi (tabaka nzuri). Ingizo la kelele kwa kila safu huongeza maelezo ya stochastic kama vile madoa na nywele zilizopotea. StyleGAN2 (2020) ilibadilisha AdaIN na kuweka upunguzaji uzito ili kuondoa vizalia vya programu vya 'blob', na StyleGAN3 (2021) iliweka jina lisilobadilika la kubandika maandishi ili kufanya vipengele kusonga kawaida wakati wa uhuishaji.
Ufahamu wa Kiufundi
Utaratibu muhimu ni urekebishaji kulingana na mtindo. Mtandao wa uchoraji ramani hubadilisha z kuwa w, na mshikamano uliojifunza hubadilisha w kuwa kipimo cha kila kituo na upendeleo unaotumika kwa ramani za vipengele vilivyorekebishwa katika kila azimio. Kwa sababu mitindo hutenda safu-kwa-safu, unaweza kuchanganya w ya picha moja kwenye safu mbavu na nyingine kwenye tabaka laini ('mchanganyiko wa mtindo') ili kubadilishana mkao wakati wa kuweka unamu. Uondoaji wa StyleGAN2 hukunja takwimu hizi katika uzani wa ubadilishanaji, na kuondoa vizalia vya kuhalalisha.
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 Usanifu wa StyleGAN
Ingawa miundo ya uenezaji sasa inaongoza uzalishaji wa jumla wa maandishi-hadi-picha, nafasi iliyofichwa ya StyleGAN iliyo na muundo wa juu, inayoweza kuhaririwa (W na W+) hudumisha umuhimu wa uhariri wa nyuso, upotoshaji wa sifa, na usanisi wa wakati halisi ambapo GAN husalia kwa kasi zaidi. Tarajia kazi inayoendelea ya ugeuzaji wa GAN (kukadiria picha halisi kuwa W), vibadala vinavyofahamu 3D kama EG3D vinavyotoa mitazamo thabiti, na mahuluti ambayo yanaoanisha laini zinazoweza kudhibitiwa za StyleGAN na vipaumbele vya mgawanyiko au transfoma kwa ubora wa dunia zote mbili.
Utekelezaji wa Ulimwengu Halisi
Inazalisha nyuso za binadamu zenye uhalisia wa picha zisizo na mwisho, ambazo hazipo, kama inavyoonyeshwa na thispersondoesnotexist.com.
Kuhariri uso wa kisemantiki: kubadilisha umri, mwonekano, au pozi kwa urahisi kwa kusogea kando ya maelekezo katika nafasi ya W.
Kuunda data ya sanisi ya mafunzo na avatars wakati picha halisi, salama za faragha ni chache.
Zana za kisanii zinazoingiliana au 'mtindo-mchanganyiko' kati ya picha ili kuchanganya muundo mbaya na maelezo mazuri.
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 StyleGAN Architecture 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
Usanifu wa U-Net
Maswali yanayoulizwa mara kwa mara
What is StyleGAN Architecture?
StyleGAN ni mtandao mzalishaji wa maadui kutoka NVIDIA ambao hutokeza nyuso na vitu halisi vya kushangaza kwa kuingiza maelezo ya mtindo katika kila safu. Ni muhimu kwa sababu muundo wake hutoa udhibiti ambao haujawahi kufanywa, uliotenganishwa juu ya sifa mbaya na nzuri za picha.
Madhumuni ya mtandao wa ramani wa StyleGAN ni nini?
MLP ya safu 8 ina ramani z hadi W, nafasi iliyofichika ya kati ambapo vipengele vya mabadiliko hutenganishwa vyema, kuwezesha udhibiti safi.
Katika StyleGAN asili, mtindo unaingizwaje kwenye ramani za vipengele?
AdaIN hurekebisha ramani za vipengele na kisha mizani na kuzihamisha kwa kutumia takwimu zinazotokana na mtindo katika kila azimio.
Mtandao wa usanisi unaanza kutoka nini badala ya vekta fiche?
StyleGAN huanza kutoka kwa ingizo la mara kwa mara na kuingiza mtindo na kelele inapokua sampuli, badala ya kulisha z moja kwa moja.
Je, urekebishaji wa mitindo kwenye tabaka mbovu (za azimio la chini) hudhibiti nini kimsingi?
Tabaka tambarare hutawala muundo wa kiwango kikubwa kama vile mkao na umbo la jumla, huku tabaka laini hushughulikia umbile na maelezo madogo.
Je, StyleGAN2 ilirekebisha shida gani kuhusiana na ile ya asili?
StyleGAN2 ilibadilisha AdaIN na kupunguza uzito, kuondoa vizalia vya matone/blob na kuboresha ubora wa picha.