知识卡片
GAN的典型应用场景
GAN归根结底是生成式模型,最直接的应用是模拟真实数据分布的训练与生成,可生成图像、视频、自然语句和音乐等。由于对抗生成机制能缓解数据不足,它也常用于无监督学习场景,并延伸到强化学习。
书中列举三个典型场景: 1)提高图像分辨率:生成器把模糊低分辨率图像转为高清图像,判别器判断其是“真实高清”还是“转换而来”,用判别器自动建模高频细节,结果比传统深度学习模型细节更丰富。 2)图像风格转化:如Prisma,输入是图像、输出是转换后的风格化图像,能给图片上色甚至以印象派风格生成。 3)侧脸变正脸:借助人脸对齐、姿态转换,由半边人脸生成整张正向人脸,提升人脸识别精度。
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 13.2.2 GAN的应用场景 · 查看原书依据
GAN 虽然是以对抗生成的方式在训练两个模型,但归根结底它还是一个生成式模型,因此最直接的应用还是模拟真实数据分布的训练与生成,可以用于生成图像、视频甚至自然语句和音乐等内容。
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:原文指出GAN作为生成式模型可直接用于生成图像、视频、语句和音乐,并分别描述了提高分辨率、风格转化、侧脸变正脸的机制,说明其价值在于用判别器替代复杂细节建模、拓展到数据不足的场景。
- 原始内容:GAN 虽然是以对抗生成的方式在训练两个模型,但归根结底它还是一个生成式模型,因此最直接的应用还是模拟真实数据分布的训练与生成,可以用于生成图像、视频甚至自然语句和音乐等内容。