夏河编译定理

量子比特生产|公众号QbitAI

想深入探索以脑洞闻名的生成对抗网络(GAN),以自己的风格制作大作吗?

GitHub的小伙伴提供了前任的肩膀,让你站起来。TA总结了18种人气GAN的PyTorch实现情况,列出了各GAN的论文地址,可以说是良心资源。

这18种肝脏(GAN)是:

Auxiliary Classifier GAN

Adversarial Autoencoder

Boundary-Seeking GAN

Conditional GAN

Context-Conditional GAN

CycleGAN

深层咨询GAN。

迪斯科间

德拉甘

杜瓦尔甘

肝脏

LSGAN

Pix2Pix

PixelDA

半高GAN。

超解决方案甘(Super-Resolution GAN)

Wasserstein GAN

Wasserstein GAN GP

资料来源:Kaggle blog

好了,量子比特简要介绍了这种肝脏(GAN)。

Auxiliary Classifier GAN

具有辅助分类器的肝脏(AC GAN)。

在这些GAN变体中,生成器生成的每个图像都有类别标签,认证者为源标签和类别标签提供了两个概率分布。

论文中描述的模型可以生成符合1000个ImageNet类别的128128图像。

纸张:

conditional image synthesis with auxiliary classifier

Gans Augustus odena、Christopher olah和Jonathon sh lens

Adversarial Autoencoder

AAE (AAE)是概率自编码器,使用GAN将自编码器的隐藏编码矢量与预分布相匹配,从而推断变异。可用于反毒分类、图像分离样式和内容、非监督集群、降维、数据可视化等。

论文中,研究人员提出了用MNIST和多伦多面部数据集(TFD)训练的模型生成的样本。

纸张:

Adversarial Autoencoders

Alireza makhzani、Jonathon shlens、nav deep jai tly、Ian good fellow和Brendan Frey

Boundary-Seeking GAN

原始GAN不适用于离散数据。Boundary-Seeking GAN (BGAN)使用认证者的预期差异度量计算样本生成的重要性权重,并为培训生成器提供战略梯度,使其能够训练为离散数据。

BGAN中样本生成的重要性权重与认证者的判定边界密切相关,因此被称为“寻找边界的肝脏”。

52455487647040315b3001?from=article.detail&_iz=31825&index=4" width="640" height="503"/>

Paper:

Boundary-Seeking Generative Adversarial Networks

R Devon Hjelm, Athul Paul Jacob, Tong Che, Adam Trischler, Kyunghyun Cho, Yoshua Bengio

Conditional GAN

条件式生成对抗网络,简称CGAN,其中的生成器和鉴别器都以某种外部信息为条件,比如类别标签或者其他形式的数据。

Paper:

Conditional Generative Adversarial Nets

Mehdi Mirza, Simon Osindero

Context-Conditional GAN

简称CCGAN,能用半监督学习的方法,修补图像上缺失的部分。

Paper:

Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks

Emily Denton, Sam Gross, Rob Fergus

CycleGAN

这个模型是加州大学伯克利分校的一项研究成果,可以在没有成对训练数据的情况下,实现图像风格的转换。

这些例子,你大概不陌生:

Paper:

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros

论文原作者也开源了Torch和PyTorch的实现代码,详情见项目主页:

Deep Convolutional GAN

深度卷积生成对抗网络(DCGAN)模型是作为无监督学习的一种方法而提出的,GAN在其中是最大似然率技术的一种替代。

Paper:

Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

Alec Radford, Luke Metz, Soumith Chintala

DiscoGAN

在这种方法中,GAN要学习发现不同域之间的关系,然后在跨域迁移风格的时候保留方向、脸部特征等关键属性。

Paper:

Learning to Discover Cross-Domain Relations with Generative Adversarial Networks

Taeksoo Kim, Moonsu Cha, Hyunsoo Kim, Jung Kwon Lee, Jiwon Kim

官方PyTorch实现:

DRAGAN

DRAGAN用一种梯度惩罚策略来避免退化的局部局部均衡,加快了训练速度,通过减少模式崩溃提升了稳定性。

Paper:

On Convergence and Stability of GANs

Naveen Kodali, Jacob Abernethy, James Hays, Zsolt Kira

DualGAN

这种变体能够用两组不同域的无标签图像来训练图像翻译器,架构中的主要GAN学习将图像从域U翻译到域V,而它的对偶GAN学习一个相反的过程,形成一个闭环。

Paper:

DualGAN: Unsupervised Dual Learning for Image-to-Image Translation

Zili Yi, Hao Zhang, Ping Tan, Minglun Gong

GAN

对,就是Ian Goodfellow那个原版GAN。

Paper:

Generative Adversarial Networks

Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio

Least Squares GAN

最小平方GAN(LSGAN)的提出,是为了解决GAN无监督学习训练中梯度消失的问题,在鉴别器上使用了最小平方损失函数。

Paper:

Least Squares Generative Adversarial Networks

Xudong Mao, Qing Li, Haoran Xie, Raymond Y.K. Lau, Zhen Wang, Stephen Paul Smolley

Pix2Pix

这个模型大家应该相当熟悉了。它和CycleGAN出自同一个伯克利团队,是CGAN的一个应用案例,以整张图像作为CGAN中的条件。

在它基础上,衍生出了各种上色Demo,波及猫、人脸、房子、包包、漫画等各类物品,甚至还有人用它来去除(爱情动作片中的)马赛克。

Paper:

Image-to-Image Translation with Conditional Adversarial Networks

Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros

Pix2Pix目前有开源的Torch、PyTorch、TensorFlow、Chainer、Keras模型,详情见项目主页:

PixelDA

这是一种以非监督方式学习像素空间跨域转换的方法,能泛化到训练中没有的目标类型。

Paper:

Unsupervised Pixel-Level Domain Adaptation with Generative Adversarial Networks

Konstantinos Bousmalis, Nathan Silberman, David Dohan, Dumitru Erhan, Dilip Krishnan

Semi-Supervised GAN

半监督生成对抗网络简称SGAN。它通过强制让辨别器输出类别标签,实现了GAN在半监督环境下的训练。

Paper:

Semi-Supervised Learning with Generative Adversarial NetworksAugustus Odena

Super-Resolution GAN

超分辨率生成对抗网络简称SRGAN,将GAN用到了超分辨率任务上,可以将照片扩大4倍。

Paper:

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi

Wasserstein GAN

简称WGAN,在学习分布上使用了Wasserstein距离,也叫Earth-Mover距离。新模型提高了学习的稳定性,消除了模型崩溃等问题,并给出了在debug或搜索超参数时有参考意义的学习曲线。

本文所介绍repo中的WGAN实现,使用了DCGAN的生成器和辨别器。

Paper:

Wasserstein GAN

Martin Arjovsky, Soumith Chintala, Léon Bottou

Wasserstein GAN GP

WGAN的改进版。

Paper:

Improved Training of Wasserstein GANs

Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent Dumoulin, Aaron Courville

GitHub地址:

量子位之前还介绍过同一位作者整理的17种GAN的Keras实现,与今天这18种PyTorch实现涉及的GAN变体有部分重叠,到这里查看:17种GAN变体的Keras实现请收好

— 完 —

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

1.《【abs141avi】GAN入门必备!这里有18种重要变体的PyTorch代码》援引自互联网,旨在传递更多网络信息知识,仅代表作者本人观点,与本网站无关,侵删请联系页脚下方联系方式。

2.《【abs141avi】GAN入门必备!这里有18种重要变体的PyTorch代码》仅供读者参考,本网站未对该内容进行证实,对其原创性、真实性、完整性、及时性不作任何保证。

3.文章转载时请保留本站内容来源地址,https://www.lu-xu.com/auto/3061160.html