知识卡片
GAN判别反馈约束修复
GAN 由生成器产生候选图像、判别器区分真实与生成样本,竞争反馈推动结果接近训练数据的分布。用于图像修复时还应把可见区域作为条件或约束,使生成内容与周围图像一致;仅输入随机噪声不能保证填补指定缺口。高分辨率、复杂结构的稳定训练仍是挑战,清晰图像也可能不忠实于原场景。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 9 . 3 . 2 基 于 神 经 网 络 算 法 的 图 像 修 复 · 查看原书依据
另外,它包括两个子网络模型:一个是生成模型(使得生成的“伪”图像尽可能与“自然”图像的分布一致);另一个是判别模型(在生成的“伪”图像与“自然”图像之间作出正确判断,即二分类器),实现整个网络训练的方法便是让这两个网络相互竞争,最终生成模型通过学习“自然”数据的本质特性,从而刻画出“自然”样本的分布模型,生成与“自然”样本相似的新数据。
参考来源
- 位置:《智能算法导论》第 185 项《19.3.2 基于神经网络算法的图像修复/GAN》(源文件:`_epub-src/EPUB/xhtml/chapter19_0008.xhtml`)
- 结论依据:正文说明生成器与判别器竞争及高分辨率训练难题;原文将修复生成器输入描述为“可以是随机噪声”,卡片补明条件信息的必要性。
- 原始内容:“一个是生成模型……另一个是判别模型……让这两个网络相互竞争”。