คู่มือ AI แบบเห็นภาพ

วัสเซอร์สไตน์ GAN

Wasserstein GAN (WGAN) คือการออกแบบใหม่ของวัตถุประสงค์การฝึกอบรม GAN ที่ใช้ระยะทาง Wasserstein แทนการสูญเสียต่ำสุด-สูงสุดแบบเดิม

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของ Wasserstein GAN
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

It makes notoriously unstable GAN training far more reliable and gives a loss value that actually correlates with image quality.

เจาะลึก

GAN ดั้งเดิมฝึกสองเครือข่ายในการชักเย่อ: เครื่องกำเนิดไฟฟ้าสร้างภาพปลอมและผู้เลือกปฏิบัติพยายามตรวจจับพวกเขา สิ่งนี้มักจะพังทลายลงหรือหยุดชะงักเพราะการสูญเสียของผู้เลือกปฏิบัติไม่ได้บอกว่าไม่มีประโยชน์อะไรเกี่ยวกับความก้าวหน้า WGAN ซึ่งเปิดตัวโดย Arjovsky, Chintala และ Bottou ในปี 2560 แทนที่ผู้เลือกปฏิบัติด้วย 'นักวิจารณ์' ที่ให้คะแนนว่าภาพดูสมจริงแค่ไหนในระดับที่ต่อเนื่องกัน แทนที่จะแยกประเภทภาพจริงกับภาพปลอม เป้าหมายการฝึกอบรมจะกลายเป็นระยะห่างของ Wasserstein (ผู้ขับเคลื่อนดิน) ระหว่างการกระจายข้อมูลจริงและที่สร้างขึ้น ระยะนี้ให้การไล่ระดับสีที่นุ่มนวลและมีความหมายมากขึ้น แม้ว่าการกระจายทั้งสองแทบจะไม่ทับซ้อนกัน ซึ่งช่วยลดการล่มสลายของโหมดได้อย่างมาก และทำให้เส้นโค้งการสูญเสียเป็นสัญญาณคุณภาพที่แท้จริง

การใช้งานจริงในโลกแห่งความเป็นจริง

การสร้างใบหน้าและพื้นผิวที่เหมือนจริงโดยที่ Vanilla GAN ยุบลงเป็นเอาต์พุตซ้ำสองสามครั้ง

การสร้างภาพทางการแพทย์สังเคราะห์ เช่น MRI หรือแผ่นแปะเนื้อเยื่อวิทยา เพื่อเพิ่มชุดข้อมูลที่หายาก

การสร้างแบบจำลองเหตุการณ์การชนกันของอนุภาคในการจำลองฟิสิกส์พลังงานสูงซึ่งการฝึกอบรมที่มีเสถียรภาพถือเป็นสิ่งสำคัญ

ทำหน้าที่เป็นเกณฑ์มาตรฐานพื้นฐานในการวิจัย ML เนื่องจากการสูญเสียจะติดตามคุณภาพตัวอย่างมากกว่าการฝึกอบรม

อนาคตของ Wasserstein GAN

ข้อมูลเชิงลึกหลักของ WGAN ที่ว่าการเลือกระยะการกระจายจะกำหนดคุณภาพการไล่ระดับสี ยังคงสะท้อนผ่านการสร้างแบบจำลองเชิงกำเนิด ในขณะที่แบบจำลองการแพร่กระจายมีอิทธิพลเหนือการสังเคราะห์ภาพ แนวคิดการขนส่งที่เหมาะสมที่สุดจาก WGAN ก็ปรากฏขึ้นอีกครั้งในการจับคู่การไหล วิธี Schrodinger-bridge และการกลั่นแบบจำลองการแพร่กระจายลงในเครื่องกำเนิดไฟฟ้าไม่กี่ขั้นตอนที่รวดเร็ว คาดหวังวัตถุประสงค์สไตล์ Wasserstein เพื่อแจ้งแนวทางแบบผสมผสาน โดยที่การฝึกอบรมที่มั่นคงและตัวชี้วัดการสูญเสียที่มีความหมายมีความสำคัญ โดยเฉพาะอย่างยิ่งในโดเมนทางวิทยาศาสตร์และข้อมูลต่ำ

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
  • สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
  • ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก

ระวัง

  • สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
  • ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
  • ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น

ขั้นตอนต่อไป

  1. กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
  2. ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
  3. เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
  4. ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Wasserstein GAN quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is Wasserstein GAN?

Wasserstein GAN (WGAN) คือการออกแบบใหม่ของวัตถุประสงค์การฝึกอบรม GAN ที่ใช้ระยะทาง Wasserstein แทนการสูญเสียต่ำสุด-สูงสุดแบบเดิม ทำให้การฝึกอบรม GAN ที่ไม่เสถียรอย่างฉาวโฉ่มีความน่าเชื่อถือมากขึ้น และให้ค่าการสูญเสียที่สัมพันธ์กับคุณภาพของภาพจริงๆ

WGAN ใช้ตัวชี้วัดระยะทางใดเพื่อเปรียบเทียบการแจกแจงจริงและการแจกแจงที่สร้างขึ้น

WGAN แทนที่วัตถุประสงค์ดั้งเดิมของ Jensen-Shannon ด้วยระยะ Wasserstein ซึ่งให้การไล่ระดับสีที่นุ่มนวลยิ่งขึ้นแม้ว่าการกระจายแทบจะไม่ทับซ้อนกันก็ตาม

ใน WGAN เครือข่ายที่เป็นผู้เลือกปฏิบัติถูกเปลี่ยนชื่อเป็น อะไร และเพราะเหตุใด

นักวิจารณ์ให้คะแนนภาพในระดับต่อเนื่อง แทนที่จะแยกประเภทภาพจริงกับภาพปลอม นั่นคือสิ่งที่ทำให้วัตถุประสงค์ของ Wasserstein ได้ผล

เหตุใดนักวิจารณ์ WGAN จึงต้องถูกจำกัดให้เป็น 1-Lipschitz

ความเป็นคู่ที่ทำให้ WGAN ประมาณระยะทางของวัสเซอร์สไตน์นั้นมีไว้สำหรับฟังก์ชัน 1-ลิปชิตซ์เท่านั้น ดังนั้นการไล่ระดับสีของนักวิจารณ์จึงต้องมีขอบเขต

WGAN ดั้งเดิมบังคับใช้ข้อจำกัดของ Lipschitz อย่างไร

กระดาษ WGAN ฉบับแรกใช้การตัดน้ำหนักอย่างหยาบ ต่อมา WGAN-GP ได้แทนที่ด้วยการปรับการไล่ระดับสีที่นุ่มนวลขึ้น

WGAN ลดปัญหาอะไรลงอย่างเห็นได้ชัดเมื่อเทียบกับ vanilla GAN

โหมดขอบการไล่ระดับสีที่นุ่มนวลขึ้นของ WGAN จะพังทลายลงและทำให้เกิดการสูญเสียที่สัมพันธ์กับคุณภาพของตัวอย่างอย่างแท้จริง

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →