知识卡片
随机点的像素重组
最基本的GAN生成网络,是把一个随机变量经参数化的概率生成模型做概率分布的逆变换采样,最终得到一个生成的概率分布。通俗地说,生成网络是一个“像素点重组”的函数:它把潜在空间中的随机点,映射成图像空间中有意义的像素点。
这个过程类似艺术家把简略抽象的艺术构思变成具有复杂意象的画作。随机抽取的初始变量,经过网络重组后成为有结构的图像;网络生成的点叫生成点,其在图像空间中形成的分布叫生成分布。
用途与边界:由于真实图像的空间分布极为复杂,简单函数无法把随机点恰好搬到真实图像对应的位置,所以实际项目必须借助深度神经网络来实现这种映射。这也解释了GAN为何属于深度学习模型,而非简单的统计变换。
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
- AI绘画与生成对抗网络 13.1.2 生成网络是什么 · 查看原书依据
一开始输入至网络的变量是随机抽取的,生成网络就像是一个可以实现“像素点重组”的函数,它把原来潜在空间中的随机点变成图像空间中有意义的像素点
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第13章《AI绘画与生成对抗网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00018.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文把生成网络描述为“可以实现‘像素点重组’的函数”,能把潜在空间的随机点变成图像空间中有意义的像素点,并指出简单函数难以胜任、需借助深度神经网络,支撑了“生成即随机点的分布映射”这一结论。
- 原始内容:一开始输入至网络的变量是随机抽取的,生成网络就像是一个可以实现“像素点重组”的函数,它把原来潜在空间中的随机点变成图像空间中有意义的像素点