无意间看到就顺手整理一下的生成对抗网络GAN

hxy    2020-01-10 21:37

最近无意间看到的对抗生成网络,感觉这也算是一种缘分,查了一下,竟不知已经这么火了。之前没有接触Deep Learning,暂时没有考虑入坑。印象里听过有关的学术报告, 当时也没太关注。如果没有记错的话,应该是浙江工业的大学的 Qi Xuan 教授,近几年做了很多这方面的研究,感兴趣的小伙伴可以深入了解。

GAN 在最近几年变得非常流行,几乎每周都会有 GAN 领域的新进展。它已经成为度学习最重要的方向之一,研究它的社区也非常活跃。GAN 由 IAN Goodfellow 在2014年提出 [1]。GAN通过训练两个神经网络解决了非监督学习的问题,这两个互相对抗的网络称为为生成(generator)网络和判别(discriminator)网络。在训练过程中,两个网络最终都进化得更好。GAN可以借助伪造者(生成网络)和警察(判别网络)的例子来解释。最初,伪造者向警察展示假币,警察识别出是假的,并解释为什么是假的,伪造者根据接收到的反馈制造了新的假币,如此重复多次,直至伪造者可以造出警察无法是别的假币。在GAN的场景中,最后得到了可以生成和真是图片非常类似的生成网络,以及可以高度识别伪造品的分类器 [2]。

DCGAN [3] 是早期的GAN模型之一,它演示了如何构造一个可以通过自己学习生成有意义图片的GAN模型。GAN模型的一个标志性事件,是NVIDIA 2017年搞出来的 Progressive Growing GANs,它首次实现了1024*1024的高清人脸生成。要知道,一般的GAN在生成128*128人脸时就会有困难,所以1024分辨率的生成称得上是一个突破。而下面列举的一些论文,都是在自己的实验中做到了1024的人脸生成。单是这个实验结果,就值得我们去关注一下这些论文。DCGAN对应的资源:https://github.com/pytorch/examples/tree/master/dcgan。当然,生成1024图除了需要模型的进步,还需要很大的算力,因此一般人/实验室都很难做到。关注这些论文,并不是要我们去复现这么大的图生成,而是因为这些模型能生成这么大的图,必然有它值得我们借鉴的地方,甚至我们可以从中明白到GAN的瓶颈所在,从而让我们在自己的研究中少走弯路 [4]。
GAN [5]
推荐阅读:
  1. 带你进入GAN的前世今生(上)
  2. 带你进入GAN的前世今生(下)


参考资料:
  1. I. J. Goodfellow et al., Generative Adversarial Networks. 2014.
  2. Vishnu Subramanian. Deep Learning with PyTorch[M]. Packt Publishing, 2018.
  3. Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.
  4. 苏剑林. (2018, Dec 26). 《【学习清单】最近比较重要的GAN进展论文 》[Blog post]. Retrieved from https://spaces.ac.cn/archives/6240
  5. Generative Adversarial Network(GAN) using Keras
Last Modified: 2020-01-16 13:25
Views: 5.6K
免责声明:网站内容仅供个人学习记录,禁做商业用途。 版权所有 © 2017-2020 NEUSNCP个人学习笔记 辽ICP备17017855号-2