Прогресивне зростання GAN
Прогресивне вирощування тренує GAN, починаючи з крихітної роздільної здатності та поступово додаючи шари, щоб отримати зображення високої роздільної здатності.
Огляд
It matters because it made stable, megapixel-quality GAN synthesis practical for the first time.
Глибоке занурення
Введено Karras et al. (NVIDIA) у 2017 році прогресивне зростання (ProGAN) усуває нестабільність і повільність навчання GAN безпосередньо у високій роздільній здатності. Як генератор, так і дискримінатор починаються з крихітного розміру пікселів 4x4, вивчаючи лише великомасштабну структуру. Нові шари, які подвоюють роздільну здатність (8x8, 16x16, до 1024x1024), потім додаються симетрично до обох мереж під час навчання. Важливо те, що кожен новий шар плавно зникає за допомогою лінійної альфа-змішування, щоб мережа не була шокована різкою зміною архітектури. Вивчаючи грубі риси перед дрібними деталями, тренування є стабільнішим, зближується швидше та створює високоточні обличчя, які зробили результати CelebA-HQ відомими. У документі також представлено стандартне відхилення міні-серії та вирівняні показники навчання для подальшої стабілізації навчання.
Технічне розуміння
Затухання є центральним трюком. Коли додається блок з вищою роздільною здатністю, його вихідні дані змішуються з версією попередньої роздільної здатності з підвищеною дискретизацією за допомогою альфа-версії ваги, яка змінюється від 0 до 1. Це дозволяє вагомості нових шарів поступово нагріватися, а не порушувати те, що мережа вже вивчила. У дискримінаторі відбувається симетричний процес. Стандартне відхилення міні-серії додає функцію, яка підсумовує варіації партії, запобігаючи згортанню генератора до обмежених виходів.
Стратегічний вплив
Швидкість і масштаб
Візуальний штучний інтелект може автоматизувати масштабні завдання перевірки, виявлення та позначення тегами.
Створіть вибір
Творчі групи можуть створювати прототипи концепцій швидше з меншою кількістю переглядів вручну.
Команда та робочий процес
Операції можуть використовувати зображення та відеосигнали, які раніше було важко обробити.
Майбутнє прогресивного зростання GAN
Прогресивне зростання було основою, на якій побудовано StyleGAN, але пізніше StyleGAN2 показав, що фіксована архітектура з пропускаючими з’єднаннями та залишковими блоками може відповідати своїй якості без поетапного розкладу, тому явне вирощування втрачає популярність. Глибша спадщина зберігається: генерація від грубої до тонкої тепер з’являється в багатомасштабній дифузії, каскадних конвеєрах із надвисокою роздільною здатністю та розширювачах латентного простору. Розуміння прогресивного зростання залишається цінним для розуміння того, чому ієрархічне навчання від низької до високої частоти стабілізує генеративне навчання.
Реалізація в реальному світі
Виготовлення зображень обличчя CelebA-HQ з високою роздільною здатністю, які продемонстрували синтез GAN 1024x1024.
Створення високоякісних зразків інших доменів, таких як спальні (LSUN) і об’єкти в масштабі.
Служачи архітектурною відправною точкою, яку StyleGAN розширив для створення керованого обличчя.
Навчання принципу навчання від грубого до тонкого, який повторно використовується в каскадних і багатомасштабних генеративних конвеєрах.
Ризики та огорожі
Права на зображення та згода можуть стати юридичними ризиками, якщо походження невідоме.
Продуктивність моделі може відрізнятися залежно від освітлення, демографічних показників і середовища.
Помилкові спрацьовування можуть залишитися непоміченими, якщо не відстежувати пороги довіри.
Дорожня карта впровадження
Визначте критерії прийнятності для точності, відкликання та вартості помилок.
Тестуйте з даними, які відповідають реальним умовам виробництва.
Додайте перевірку людиною для прогнозів із низьким рівнем достовірності або високого впливу.
Відстежуйте дрейф моделі та повторно перевіряйте після зміни камери або набору даних.
Продовжуйте досліджувати
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
Наступний посібник
Умовні GAN
Часті запитання
What is Progressive Growing of GANs?
Прогресивне вирощування тренує GAN, починаючи з крихітної роздільної здатності та поступово додаючи шари, щоб отримати зображення високої роздільної здатності. Це важливо, тому що це вперше зробило стабільний синтез GAN мегапіксельної якості практичним.
Як прогресивно зростаючий GAN починає навчання?
Навчання починається з 4x4, де мережі вивчають грубу структуру, перш ніж додавати шари з вищою роздільною здатністю.
Яка головна перевага поступового збільшення дозволу?
Вивчення грубих функцій спочатку стабілізує навчання та пришвидшує конвергенцію порівняно з атакою на повну роздільну здатність із самого початку.
Коли додається новий шар з вищою роздільною здатністю, як він вводиться?
Лінійне затухання поєднує вивід нового шару з виходом нижчої роздільної здатності з підвищеною дискретизацією, щоб мережа адаптувалася поступово.
Чому до генератора та дискримінатора додаються шари?
Обидві мережі ростуть у тандемі, тому дискримінатор може продовжувати оцінювати зображення з поточною роздільною здатністю генератора.
Яка мета шару стандартного відхилення міні-серії, представленого в ProGAN?
Він додає статистичні дані про варіації пакетів, заохочуючи генератор виробляти різноманітні результати, а не згортатися.