图像到图像的翻译涉及生成给定图像的新的合成版本，并进行特定的修改，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的配对示例数据集。这些数据集的准备可能非常困难且昂贵，在某些情况下甚至不可能，例如照片 […]
如何开发用于图像到图像转换的 Pix2Pix GAN
Pix2Pix 生成对抗网络（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。通过精心配置其架构作为一种图像条件 GAN，它不仅能够生成比早期 GAN 模型更大的图像（例如 256×256 像素），而且还具备执行 […]
如何使用 Keras 从头开始实现 Pix2Pix GAN 模型
Pix2Pix GAN 是一个用于对配对示例进行训练以实现图像到图像翻译的生成器模型。例如，该模型可用于将白天图像转换为夜晚图像，或将产品草图（如鞋子）转换为产品照片。与其他用于条件图像的 GAN 相比，Pix2Pix 模型的优势在于 […]
Pix2Pix 生成对抗网络入门简介
图像到图像的翻译是指将给定源图像可控地转换为目标图像。例如，可以将黑白照片转换为彩色照片。图像到图像的翻译是一个具有挑战性的问题，通常需要针对特定的翻译任务或数据集使用专门的模型和损失函数。Pix2Pix GAN 是一个 […]
如何使用 Keras 开发最小二乘生成对抗网络 (LSGAN)
最小二乘生成对抗网络（LSGAN）是 GAN 架构的一个扩展，它解决了梯度消失和损失饱和问题。它的动机是希望为生成器提供关于远离判别器模型分类边界的假样本的信号 […]
如何从头开始使用 Keras 实现半监督 GAN (SGAN)
半监督学习是在仅包含少量标记示例和大量未标记示例的数据集中训练分类器的挑战性问题。生成对抗网络（GAN）是一种能够通过图像有效利用大型未标记数据集来训练图像生成器模型的架构 […]
如何使用 Keras 开发信息最大化 GAN (InfoGAN)
生成对抗网络（GAN）是一种用于训练深度卷积模型以生成合成图像的架构。尽管非常有效，但默认的 GAN 无法控制生成的图像类型。信息最大化 GAN（InfoGAN）是 GAN 架构的一个扩展，它引入了控制变量 […]
如何从头开始使用 Keras 开发辅助分类器 GAN (AC-GAN)
生成对抗网络（GAN）是一种用于训练生成模型（如用于生成图像的深度卷积神经网络）的架构。条件生成对抗网络（cGAN）是一种 GAN，它涉及生成器模型对图像的条件生成。图像生成可以基于类标签进行条件化 […]
如何从头开始开发 Wasserstein 生成对抗网络 (WGAN)
Wasserstein 生成对抗网络（Wasserstein GAN）是生成对抗网络的一个扩展，它既提高了模型训练的稳定性，又提供了与生成图像质量相关的损失函数。WGAN 的发展具有密集的数学动机，尽管在实践中仅需要少量 […]
如何在生成对抗网络中实现 Wasserstein 损失
Wasserstein 生成对抗网络（Wasserstein GAN）是生成对抗网络的一个扩展，它既提高了模型训练的稳定性，又提供了与生成图像质量相关的损失函数。它是 GAN 模型的一个重要扩展，需要从概念上摆脱 […]