Tiếp theoHướng dẫn tiếp theo
Sự phát triển lũy tiến của GAN
AI trực quan
HƯỚNG DẪN AI trực quan
GAN có điều kiện
GAN có điều kiện (cGAN) mở rộng GAN thông thường bằng cách cung cấp thêm thông tin, như nhãn lớp hoặc văn bản, vào cả trình tạo và trình phân biệt đối xử.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Điều này cho phép bạn kiểm soát những gì mạng tạo ra thay vì nhận đầu ra ngẫu nhiên.
Lặn sâu
GAN tiêu chuẩn biến nhiễu ngẫu nhiên thành hình ảnh nhưng không cho bạn biết kết quả. GAN có điều kiện, do Mirza và Osindero đề xuất vào năm 2014, khắc phục điều này bằng cách tạo điều kiện trên nhãn y. Cả hai mạng đều nhận được y: bộ tạo kết hợp nhiễu với nhãn để tạo ra hình ảnh phù hợp, trong khi bộ phân biệt đối xử đánh giá xem hình ảnh có vừa thực tế vừa phù hợp với nhãn của nó hay không. Huấn luyện nó trên MNIST với các nhãn chữ số và bạn có thể yêu cầu cụ thể số '7'. Tín hiệu điều hòa có thể là vectơ lớp nóng, phần nhúng, tập thuộc tính hoặc thậm chí là một hình ảnh khác. Ý tưởng về việc tạo ra hướng này là nền tảng giúp cho các hệ thống chuyển văn bản thành hình ảnh và hình ảnh thành hình ảnh trở nên khả thi.
Triển khai trong thế giới thực
Tạo một chữ số viết tay hoặc lớp đối tượng cụ thể theo yêu cầu thay vì một chữ số ngẫu nhiên
Tổng hợp khuôn mặt với các thuộc tính đã chọn như tuổi, kiểu tóc, kính hoặc biểu cảm
Hỗ trợ các quy trình chuyển văn bản thành hình ảnh sớm trong đó chú thích tạo điều kiện cho hình ảnh được tạo
Tạo dữ liệu tổng hợp cân bằng lớp để tăng cường các danh mục chưa được trình bày đầy đủ trong tập huấn luyện
Tương lai của GAN có điều kiện
Việc tạo có điều kiện hiện là kỳ vọng mặc định: người dùng muốn chỉ định những gì họ nhận được. Ý tưởng điều hòa nhãn được khái quát hóa thành điều hòa văn bản phong phú thông qua chú ý chéo trong các mô hình khuếch tán như Khuếch tán ổn định và điều hòa không gian kiểu ControlNet bằng cách sử dụng các cạnh, độ sâu hoặc tư thế. Các hệ thống trong tương lai sẽ chấp nhận các điều kiện linh hoạt và đa phương thức hơn bao giờ hết, kết hợp các ràng buộc văn bản, bản phác thảo, âm thanh và 3D, đồng thời cải thiện mức độ trung thực của đầu ra đối với mọi phần của hướng dẫn.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Tốc độ và tỷ lệ. Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
- Xây dựng lựa chọn. Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
- Nhóm và quy trình làm việc. Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
coi chừng
- Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
- Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
- Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Các bước tiếp theo
- Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
- Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
- Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
- Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Conditional GANs quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
GAN có điều kiện là gì?
GAN có điều kiện (cGAN) mở rộng GAN thông thường bằng cách cung cấp thêm thông tin, như nhãn lớp hoặc văn bản, vào cả trình tạo và trình phân biệt đối xử. Điều này cho phép bạn kiểm soát những gì mạng tạo ra thay vì nhận đầu ra ngẫu nhiên.
Sự khác biệt chính giữa GAN có điều kiện và GAN tiêu chuẩn là gì?
GAN có điều kiện thêm tín hiệu điều hòa (chẳng hạn như nhãn) vào cả bộ tạo và bộ phân biệt để bạn có thể chỉ định những gì được tạo.
Trong một cGAN được huấn luyện trên các chữ số được gắn nhãn, bạn có thể làm gì mà một GAN đơn giản không thể làm được?
Vì việc tạo được điều chỉnh trên nhãn nên bạn có thể yêu cầu trình tạo một lớp cụ thể thay vì đầu ra ngẫu nhiên.
Bộ phân biệt đối xử cGAN phải kiểm tra những gì, ngoài việc hình ảnh có trông thật hay không?
Trình phân biệt đối xử sẽ phạt những hình ảnh trông thực tế không phù hợp với tình trạng của chúng, buộc trình tạo phải tôn trọng nhãn.
Cách phổ biến để cung cấp tín hiệu điều hòa cho máy phát điện là gì?
Một cách tiếp cận đơn giản và phổ biến là ghép nhãn (thường là một nhãn nóng hoặc nhãn nhúng) với vectơ nhiễu của bộ tạo.
GAN có điều kiện đã đặt nền móng cho khả năng nào sau này?
Việc tạo điều khiển thông qua một điều kiện chính xác là điều mà hệ thống chuyển văn bản thành hình ảnh và hình ảnh thành hình ảnh dựa vào.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này