Tiếp theoHướng dẫn tiếp theo
GAN có điều kiện
AI trực quan
HƯỚNG DẪN AI trực quan
Sự phát triển lũy tiến đào tạo GAN bằng cách bắt đầu ở độ phân giải nhỏ và dần dần thêm các lớp để đạt được hình ảnh có độ phân giải cao.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
It matters because it made stable, megapixel-quality GAN synthesis practical for the first time.
Được giới thiệu bởi Karras et al. (NVIDIA) vào năm 2017, tính năng tăng trưởng lũy tiến (ProGAN) đã khắc phục sự bất ổn và chậm chạp trong việc đào tạo GAN trực tiếp ở độ phân giải cao. Cả trình tạo và trình phân biệt đều bắt đầu ở kích thước nhỏ, ở kích thước 4x4 pixel, chỉ học cấu trúc quy mô lớn. Các lớp mới tăng gấp đôi độ phân giải (8x8, 16x16, tối đa 1024x1024) sau đó được thêm đối xứng vào cả hai mạng trong quá trình đào tạo. Điều quan trọng là mỗi lớp mới được làm mờ một cách mượt mà bằng cách sử dụng hỗn hợp alpha tuyến tính để mạng không bị sốc do thay đổi kiến trúc đột ngột. Bằng cách học các tính năng thô trước các chi tiết tinh tế, quá trình đào tạo sẽ ổn định hơn, hội tụ nhanh hơn và tạo ra các khuôn mặt có độ chính xác cao khiến kết quả CelebA-HQ trở nên nổi tiếng. Bài viết cũng giới thiệu độ lệch chuẩn của minibatch và tỷ lệ học tập cân bằng để ổn định hơn nữa việc đào tạo.
Training on CelebA-HQ to generate synthetic high-resolution face samples.
Studying GAN synthesis on LSUN scene categories.
Understanding the staged architecture that the original StyleGAN extended.
Comparing coarse-to-fine schedules with later fixed-architecture GAN training.
Sự phát triển lũy tiến là nền tảng mà StyleGAN xây dựng, nhưng StyleGAN2 sau đó đã cho thấy rằng một kiến trúc cố định với các kết nối bị bỏ qua và các khối dư có thể phù hợp với chất lượng của nó nếu không có lịch trình theo giai đoạn, vì vậy việc phát triển rõ ràng không được ưa chuộng. Di sản sâu sắc hơn vẫn tồn tại: thế hệ từ thô đến mịn giờ đây xuất hiện trong khuếch tán đa quy mô, các đường ống siêu phân giải xếp tầng và các công cụ nâng cấp không gian tiềm ẩn. Hiểu được sự phát triển lũy tiến vẫn có giá trị để hiểu lý do tại sao việc học tập theo thứ bậc, tần suất thấp đến cao lại giúp ổn định quá trình đào tạo sáng tạo.
Bản tin miễn phí
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
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
Sự phát triển lũy tiến đào tạo GAN bằng cách bắt đầu ở độ phân giải nhỏ và dần dần thêm các lớp để đạt được hình ảnh có độ phân giải cao. Điều này quan trọng vì lần đầu tiên nó đã tạo ra sự tổng hợp GAN ổn định, chất lượng megapixel.
Quá trình đào tạo bắt đầu ở 4x4, trong đó mạng tìm hiểu cấu trúc thô trước khi thêm các lớp có độ phân giải cao hơn.
Học các tính năng thô trước tiên giúp ổn định quá trình đào tạo và tăng tốc độ hội tụ so với việc tấn công độ phân giải đầy đủ ngay từ đầu.
Tính năng tăng dần tuyến tính kết hợp đầu ra của lớp mới với đầu ra có độ phân giải thấp hơn được lấy mẫu lại để mạng thích ứng dần dần.
Cả hai mạng đều phát triển song song để bộ phân biệt có thể tiếp tục đánh giá hình ảnh ở độ phân giải hiện tại của bộ tạo.
Nó bổ sung một số liệu thống kê về sự thay đổi hàng loạt, khuyến khích máy phát điện tạo ra các đầu ra đa dạng thay vì sụp đổ.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
GAN có điều kiện
AI trực quan