论文笔记Generative Visual Manipulation on the Natural Image Manifold.pptx

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：2.92M 资料格式：pptx 举报版权申诉

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第1页.png

第1页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第2页.png

第2页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第3页.png

第3页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第4页.png

第4页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第5页.png

第5页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第6页.png

第6页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第7页.png

第7页 / 共32页

mounty_fsc-10113012-4744302543396275887.pptx.pdf-第8页.png

第8页 / 共32页

文本预览

Generative Visual Manipulation on the Natural Image Manifold Jun-Yan Zhu, Philipp Krahenbuhl, Eli Shechtman, and Alexei A. Efros 论文阅读报告 2017年6月13日

论文简介论文名称： Generative Visual Manipulation on the Natural Image Manifold 作者列表： Jun-Yan Zhu, Philipp Krahenbuhl, Eli Shechtman, and Alexei A. Efros 出版信息： ECCV 2016 作者首页： https://people.eecs.berkeley.edu/~junyanz/ 论文首页： http://people.eecs.berkeley.edu/~junyanz/projects/gvm/ 作者简介： Ph.D. student at the Berkeley AI Research Lab, working on computer vision, graphics and machine learning with Professor Alexei A. Efros. B.E from Tsinghua University (Zhuowen Tu) and be a intern at Microsoft Research Asia (Dr. Eric Chang). 论文概括： GAN在图像编辑处理中的应用

CONTENT 01 GAN基本概念 02 简介及相关概念 03 论文方法 04 实验效果 02

01 GAN基本概念 PART ONE

GAN基本概念 · 生成模型与判别模型 p 监督学习目的：对输入进行预测，即 =() 或 (|) p 判别模型（Discriminative model）： l 直接学习决策函数() l 或条件概率(|) 作为作为模型 l 学习联合概率分布 (, ) ，再求 (|)=(,)/() p 生成模型（Generative model）： p 参见：李航《统计学习方法》 p 总结：生成模型的特点是学习联合概率分布(, ) ，而判别模型特点为学习决策函数。

GAN基本概念 · GAN p 论文名：2014-NIPS-Generative Adversarial Nets p 作者：Ian J. Goodfellow, Jean Pouget-Abadie , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozairy , Aaron Courville, Yoshua Bengioz p 作者介绍：Goodfellow obtained his B.S. and M.S. in computer science from Stanford University and his Ph.D. in machine learning from the Université de Montréal, under the supervision of Yoshua Bengio and Aaron Courville. After graduation, Goodfellow joined Google as part of the Google Brain research team. Later he left Google to join the newly founded OpenAI institute.[3][4] He returned to Google Research in March 2017.

GAN基本概念 · GAN p 思想及公式：一种博弈思想的生成模型，生成模型产生图像“欺骗”判别模型，判别模型判定图像是否为生成的，最终以提高生成的图像质量。适用于多种模型，包括深度学习模型（MLP，CNN）。 D为常量，G为变量，求最小V G为常量，D为变量，求最大V 1. G 为生成模型，捕获图像数据分布（高维向量），可微函数如MLP。 2. D 为判别模型，估计图像为真实图像分布 pdata 的概率（标量），可微函数如 MLP。 3. pz 为噪声变量分布，z 为该分布采样（隐向量），控制图像的生成。一般由均匀分布、高斯分布等采样而得。 4. 后面章节的介绍牢记 ∗=() , 即由隐向量产生一张图像。

GAN基本概念 · GAN p 训练算法：该mini-batch中优化D 该mini-batch中优化G 1. 论文中证明了以上算法优化能够优化GAN最小最大公式。 2. 论文中证明了该算法能收敛至全局最优，给定足够能力的G和D。

分享到：

赞收藏

资料库

论文笔记Generative Visual Manipulation on the Natural Image Manifold.pptx

相关推荐

人工智能

热门标签

最新资料