作者归档 | Jason Brownlee

渐进式增长生成对抗网络是一种用于训练深度卷积神经网络模型以生成合成图像的方法。它是更传统的 GAN 架构的扩展，涉及在训练过程中逐步增大生成图像的尺寸，从非常小的图像（例如 4×4 像素）开始。这 [...]

渐进式增长 GAN 是 GAN 训练过程的扩展，它允许稳定训练能够输出大型高质量图像的生成器模型。它涉及从非常小的图像开始，并逐步添加层块，这些层块会增加生成器模型的输出尺寸和 [...] 的输入尺寸。

Cycle Generative Adversarial Network，或称 CycleGAN，是一种用于图像到图像翻译任务的深度卷积神经网络训练方法。与其他图像翻译 GAN 模型不同，CycleGAN 不需要配对图像数据集。例如，如果我们有兴趣将橙子的照片转换为苹果的照片，我们不需要 [...]

Cycle Generative adversarial Network，简称 CycleGAN，是一种用于将图像从一个域转换为另一个域的生成器模型。例如，该模型可用于将马的照片转换为斑马的照片，或将夜晚城市景观的照片转换为白天城市景观的照片。CyclePix 模型的好处是 [...]

图像到图像翻译涉及生成给定图像的新的合成版本，并进行特定修改，例如将夏季景观转换为冬季。训练图像到图像翻译模型通常需要大量配对示例数据集。这些数据集可能难以准备且成本高昂，在某些情况下甚至不可能，例如照片 [...]

Pix2Pix Generative Adversarial Network，或称 Pix2Pix GAN，是一种用于图像到图像翻译任务的深度卷积神经网络训练方法。作为一种图像条件 GAN，其架构的精心配置使其能够生成比早期 GAN 模型（例如 256×256 像素）更大的图像，并具备执行 [...] 的能力。

Pix2Pix GAN 是一个在配对示例上训练的用于执行图像到图像翻译的生成器模型。例如，该模型可用于将白天的图像转换为夜晚的图像，或将鞋子等产品的草图转换为产品的照片。Pix2Pix 模型的好处是，与其他条件图像的 GAN 相比 [...]

图像到图像翻译是指对给定源图像进行有控制的转换以生成目标图像。例如，将黑白照片转换为彩色照片。图像到图像翻译是一个具有挑战性的问题，通常需要针对特定翻译任务或数据集的专用模型和损失函数。Pix2Pix GAN 是一种 [...]

Least Squares Generative Adversarial Network，简称 LSGAN，是 GAN 架构的一种扩展，它解决了梯度消失和损失饱和的问题。其动机在于为生成器提供一个关于远离判别器模型决策边界的假样本的信号，以便对其进行分类 [...]