Cycle Generative Adversarial Network，简称 CycleGAN，是一种用于训练深度卷积神经网络进行图像到图像翻译任务的方法。与其他用于图像翻译的 GAN 模型不同，CycleGAN 不需要配对图像的数据集。例如，如果我们对将橙子的照片翻译成苹果的照片感兴趣，我们不需要 […]
档案 | 生成对抗网络
如何使用 Keras 从零开始实现 CycleGAN 模型
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翻译成斑马的照片，或将夜晚的城市景观照片翻译成白天的城市景观照片。CycleGAN 的优点是 […]
CycleGAN 图像翻译简介
图像到图像翻译涉及生成给定图像的新的合成版本，并带有特定的修改，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配对示例的数据集。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 […]
如何开发用于图像到图像转换的 Pix2Pix GAN
Pix2Pix Generative Adversarial Network，简称 Pix2Pix GAN，是一种用于训练深度卷积神经网络进行图像到图像翻译任务的方法。将其架构精心配置为一种图像条件 GAN，不仅可以生成比先前 GAN 模型（例如 256×256 像素）更大的图像，而且能够执行 […]
如何使用 Keras 从头开始实现 Pix2Pix GAN 模型
Pix2Pix GAN 是一种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图像翻译成夜晚图像，或将产品草图（如鞋子）翻译成产品照片。Pix2Pix 模型相较于其他用于条件图像的 GAN 的优点是 […]
Pix2Pix 生成对抗网络入门简介
图像到图像翻译是将给定的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 是一个 […]
如何使用 Keras 开发最小二乘生成对抗网络 (LSGAN)
Least Squares Generative Adversarial Network，简称 LSGAN，是 GAN 架构的一个扩展，解决了梯度消失和损失饱和问题。其动机是希望向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。Generative Adversarial Network，简称 GAN，是一种通过图像 […] 来有效利用大型未标记数据集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)
Generative Adversarial Network，简称 GAN，是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。Information Maximizing GAN，简称 InfoGAN，是 GAN 架构的一个扩展，它引入了控制变量，这些变量 […]
如何从头开始使用 Keras 开发辅助分类器 GAN (AC-GAN)
Generative Adversarial Networks，简称 GANs，是用于训练生成模型（例如，用于生成图像的深度卷积神经网络）的架构。Conditional generative adversarial network，简称 cGAN，是一种 GAN，涉及生成器模型对图像进行条件生成。图像生成可以基于类别标签进行条件化 […]