09.BEGAN(Boundary Equilibrium Generative Adversarial Networks)
BEGAN
- 摘要
- 1.introduction
- 2.method
- 损失函数pixel-wisw
- the losses
- boundary equilibrium GAN
- 网络结构
- 结果
摘要
我们提出了一种新的均衡执行方法,并结合从wasserstein距离得到的损失来训练基于自动编码器的生成对抗网络。
它提供了一种新的近似收敛测度;
我们还推导出了一种控制图像多样性和视觉质量之间的权衡的方法。
使用一个相对简单的模型架构和一个标准的培训程序。
1.introduction
point:去估计分布的分布误差之间的相似度而不是分布之间的相似度。如果分布的误差很接近,那么分布肯定相差不远
贡献:
- 具有简单而健壮架构的GAN,收敛的标准训练过程
- 一种平衡鉴别器与生成器的平衡概念
- 一种控制图像多样性与视觉质量之间权衡的新方法
- 收敛性的一种近似度量。
2.method
损失函数pixel-wisw
D:Auto-encoder 输入-image 输出-image
损失函数就是一个pixel-wise的损失,表示真实输入图像v和经过编码网络D输出的D(v)的相似程度,L越小,说明v, D(v)越相似。
去评估两个损失的相似度。——wasserstein距离
根据Jensen不等式,可以得到一个下界:
这个时候我们并不需要lipschize限制,我们需要
- D不断最大化m2,最小化m1;
- G不断最小化m2;
当m2接近m1的时候,可以认为是完成了训练。
重点:去估计误差的分布而不是直接估计分布去拟合GAN
the losses
网络结构图:
the losses:
我们知道当训练最好的时候就是m1 = m2,即:
但是如果m1 = m2的话,条件1不再是一个不可忽略项,反而趋近于无穷,所以引入一个参数:
有了这个限制,就不会出现m1=m2的情形了,这就相当于一个boundary 将均衡条件限制住了;
γ值较低会导致图像多样性降低,因为鉴别器更关注自动编码真实图像。
boundary equilibrium GAN
所以现在我们的损失函数变成了:
另外一个参数:(这个参数表示训练程度的多少,越小的话,训练程度越好,从公式中可见一斑。)
网络结构
结果
09.BEGAN(Boundary Equilibrium Generative Adversarial Networks)相关推荐
- BEGAN: Boundary Equilibrium Generative Adversarial Networks的理解
BEGAN: Boundary Equilibrium Generative Adversarial Networks的理解 这是一篇2017年5月上传到arXiv上的文章,作者是David Bert ...
- BEGAN: Boundary Equilibrium Generative Adversarial Networks阅读笔记
BEGAN: Boundary Equilibrium Generative Adversarial Networks阅读笔记 摘要 我们提出了一种新的用于促成训练时生成器和判别器实现均衡(Equil ...
- 深度学习之生成式对抗网络 GAN(Generative Adversarial Networks)
一.GAN介绍 生成式对抗网络GAN(Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一.它源于2014年发表的论文:& ...
- BEGAN(Boundary Equilibrium GAN)论文翻译
BEGAN(Boundary Equilibrium GAN)论文翻译 BEGAN:边界平衡生成式对抗网络 摘要 我们提出了一种新的促进平衡的方法,以及配套的损失函数,这个损失的设计由Wasserst ...
- 生成对抗网络(GAN,Generative Adversarial Network)介绍
生成对抗网络(GAN,Generative Adversarial Network)介绍 flyfish 在无监督学习中,最近的突破有哪些? 看一个GAN的应用 第一张图是用GAN将一副古代女子的画像 ...
- GAN(Generative Adversarial Networks) 初步
1. Generator vs. Discriminator 首先需要指出的是生成式模型(generative models)和判别式模型(discriminative models)的区别: dis ...
- 【美团云】Tensorflow生成对抗网络(Generative Adversarial Networks)实战案例
生成对抗网络GAN 概述 GAN的前世今生 GAN的基本原理 GAN的代码实现 在DLS运行的注意事项 数据文件的读取 数据文件的写入 GAN示例代码 概述 本文主要介绍GAN的基本知识,以及在DLS ...
- 06.SAGAN(Self-Attention Generative Adversarial Networks)
SAGAN 摘要 introduction problems SAGAN的优点 好处: SAGAN理论 Self-attention架构 代码 三个卷积核 三个映射 out SAGAN 优化 1. S ...
- GAN网络(Generative Adversarial Networks )
要理解生成对抗模型(GAN),首先要知道生成对抗模型拆开来是两个东西:一个是判别模型,一个是生成模型. 两个例子: 两个人比赛,看是 A 的矛厉害,还是 B 的盾厉害.比如,我们有一些真实数据,同时也 ...
最新文章
- 替换RubyGems 镜像
- LeetCode Combination Sum
- luogu1355 神秘大三角
- eNet 软件发布要求多多
- java string中indexOf()常用用法
- 【机房收费系统】---如何引用Microsoft Excel xx.0 Object Library
- android 编译 c 程序,Android上通过gcc编译普通的C程序
- IE漏洞被黑客利用,导致全球上万个网站受害
- leetcode字节跳动探索
- wordpress插件WP Rest API接口文档说明
- 【深度学习】训练集、测试集和验证集
- 长春技师学院计算机专业,中专院校 / 中专技校 / 长春市技师学院
- 模块化编程(C语言)
- Adobe Reader历史版本安装包下载
- 国产操作系统要起来?自主银河麒麟V10发布!
- NYOJ 题目772 数独
- Cesium针对DEM和3Dtiles通视分析(两个点之间是否能看见)
- 辅导作业很“崩溃”?猿辅导教你三招告别怒吼式教育
- 游戏资讯查询易语言代码
- 在Html页面直接展示pdf文件
热门文章
- 名画87 刘松年《罗汉图七幅》
- python通过字典将传入的数字转化为对应的中文数字
- gluLookAt、glTranslatef、glRotatef
- CAD画图软件测试初学者,cad图分析与画图思路(适合新手初级学习用)
- golang安装常用工具包
- 交换两个变量值的几种方法;
- 【论文阅读笔记|ACL2019】PLMEE:Exploring Pre-trained Language Models for Event Extraction and Generation
- 绝大多数交互式电子白板与计算机通过链接,交互式电子白板实现了白板与计算机之间的双向交互通信与操.ppt...
- 我是怎么避免“信息茧房”的?
- 线性表(三)——线性链表(单链表)