คู่มือ AI แบบเห็นภาพ
วัสเซอร์สไตน์ GAN
Wasserstein GAN (WGAN) คือการออกแบบใหม่ของวัตถุประสงค์การฝึกอบรม GAN ที่ใช้ระยะทาง Wasserstein แทนการสูญเสียต่ำสุด-สูงสุดแบบเดิม
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
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
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- 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
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