Добро пожаловать, чтобы нажать на синее слово выше, обратите внимание~
Связанное Чтение: \
GAN существует уже 6 лет! Пришло время для инсульта!
Были загружены сотни документов GAN! С недавним обзором генеративно-состязательных сетей!\
В небе дождь, а у меня его нет! Как насчет GAN для удаления дождя?\
Угасание! ГАН прогнозировать?\
Руошуй три тысячи, только бери свою отметку! Как насчет AL (активного обучения) в сочетании с GAN?\
Обнаружение аномалий, как работает GAN?
Виртуальная переодевание! Взгляните на то, что делают эти последние газеты!\
Миграция макияжа лица! Краткий обзор нескольких статей с использованием GAN
[1] Как насчет генерации GAN на медицинских изображениях?
01-Краткий принцип формулы GAN - Маленькие сокровища в железной броне\
Эта статья из Zhihu Q & A предназначена только для общения.Если есть какие-либо нарушения, пожалуйста, свяжитесь с нами, чтобы удалить
Зная вопрос, который задавался много раз, он был задан в 2018 году. Как мы все знаем, GAN сейчас является одним из чрезвычайно популярных направлений ИИ, но есть много людей, которые плохо с этим справляются. Что вы думаете о GAN? Оригинальная ссылка на вопросы и ответы:
Редактор сначала бесстыдно дал свой скромный ответ:
Автор: Изучите поэзию и знания ИИ\
Кажется, эта проблема возникла давно. Может быть, из-за того, что в последнее время в Чжиху стало больше GAN, этот вопрос задавался мне несколько раз в последнее время ... На этот раз я, наконец, не мог не прийти и не говорить ерунду.
Лично считаю: 10 лет — это слишком долго, но в ближайшие несколько лет ГАН не остынет.
Кажется, вопрос был поднят в 2018 году. На самом деле, оглядываясь назад, GAN не был холодным в том году, и, похоже, он входит в десятку лучших прорывных технологий в 2018 году по версии MIT Technology Review. Тогда удивительный внешний вид styleGAN и BigGAN очень сложен, и даже SinGAN из лучшей бумаги ICCV в 2019 году еще более процветает.
Сейчас февраль 2020 года, как дела? На самом деле, каждый день в arxiv висит несколько статей о GAN. Например, выполните прямой поиск по ключевому слову «gan adversarial», ноябрь, декабрь 2019 г. и январь прошлого месяца:
2019.11:так много! В каком направлении решался прогресс GAN за последние 30 дней?
2019.12:Список статей GAN за декабрь 2019 г.
2020.01:Все с первого взгляда! Неполный список документов GAN за январь 2020 года!
Глядя на это грубо, по крайней мере, можно обнаружить, что есть еще много работ по GAN, и люди начинают пытаться применять GAN для решения во все большем количестве направлений, даже не ограничиваясь только полем изображения. (Вы также можете обратить внимание на мои знания или колонку, и я буду сортировать список связанных статей по arxiv каждый месяц. Недавно я подытожил и разобрал последние две обзорные статьи GAN по arxiv:
1. GAN существует уже 6 лет! Пришло время для инсульта!
2. Скачаны сотни документов GAN! С недавним обзором генеративно-состязательных сетей!
Сказать это, чтобы показать, что, по крайней мере, в академических кругах, GAN не только не крут в 2018 году, но и не крут в 2019 году, и я верю, что он не будет крут в 2020, 2021, 2022 ...
Все еще могут быть люди, которые считают, что даже в этом случае GAN кажутся бесполезными в отрасли. Поскольку я был невежественен и не понимал конкретной ситуации обучения, я не совсем понимаю соответствующую реализацию отрасли. Но я все же думаю, что сейчас не значит, что так будет и в будущем.
Кто-то может сказать, что GAN слишком «большой», а его эффективность слишком низкая, естественно сказать, что BigGAN — гигантская модель. Но разве не кажется, что каждое направление глубокого обучения тоже имеет такой огромный эффект и огромную модель? Считается, что по мере развития исследований, связанных со сжатием и адаптацией моделей, эта общая проблема нейронных сетей также будет решена в GAN. Обычная игра с CycleGAN, эффект тоже очень хороший?
GAN все еще предстоит решить много проблем, таких какУстойчивость обучения, управляемость генерации, критерии оценки, теория, интерпретируемостьи Т. Д. Но даже с развитием до сих пор GAN показал хорошую производительность во многих направлениях применения. Я считаю, что стоит попробовать и изучить его полезность в других сценариях применения.
Кроме того, в предыдущем ответе упоминалось, что самый большой вклад GANСостязательное генеративное обучениеидея. пройти черезДвухэтапное игровое противостояние, взаимное продвижение и совершенствованиеФилософские мысли никогда не бывают крутыми. Говорят, что в ближайшие 10 лет в GAN не будет слишком холодно, но в ближайшие несколько лет этого не произойдет.
Если когда-нибудь глубокая нейронная сеть Network остынет и будет заменена другой интеллектуальной архитектурой X, то GAN превратится в GAX.
Верьте в GAX навсегда!
Другие хвалебные ответы:\
один,
Автор: Артур
Давайте сначала поговорим об ответе: не в этом году, может быть, позже, но в основном из-за замены. В ближайшие несколько лет генеративные модели останутся в центре внимания исследователей.
Многие путают GAN с генеративными моделями, что на самом деле неверно, но, с другой стороны, это также отражает важную роль GAN в генеративных моделях.
Генеративная модель отличается от модели классификации (от многомерной к низкоразмерной), чтобы генерировать ожидаемую многомерную информацию на основе ограниченной информации (исходный GAN: случайный низкоразмерный шум к многомерной информации, задача изображения к изображению). : от многомерного к многомерному информационному измерению), что относится к проблеме неправильной позы (один-ко-многим, многие-ко-многим). Следовательно, для измерения качества генеративной модели это не точно, а разумно и реалистично в ограниченных условиях.
Это очень интересная область, хотя любой, кто знаком с ней, знает, что этот процесс все еще похож на память, по крайней мере, похоже, что он дает ИИ определенное воображение. Поэтому вокруг генеративных моделей было разработано много интересных приложений.
До GAN многие генеративные модели плохо отображали детали, а потеря, такая как MSE, приводила к небольшому размытию изображения. Появление GAN позволяет сети более точно изучать потери посредством состязательного обучения, побуждая генератор генерировать более качественные результаты, что значительно способствует развитию этой области и делает ее доступной для большего числа людей.
Однако нестабильность GAN и некоторые пробелы в теоретической практике заставили людей попытаться найти лучшие методы для генеративных моделей, таких как предыдущая работа Glow. Если GAN когда-нибудь остынут, это должно быть связано с тем, что люди открыли лучшие генеративные модели, а не поле.
Выше личное мнение.
Недавно я обратил внимание на динамику GAN и снова обновил ее.Из сборника лучших статей конференции, после рождения pix2pixhd, stylegan и biggan, все обнаружили, что очень сложно добиваться прорывов только с точки зрения производительности. , Подробнее GAN+X Совместная работа привлекла внимание.
два,
Автор: Налан Риппл
Два самых популярных ключевых слова в статьях 2018 года — это обучение с подкреплением и GAN. Гудфеллоу сказал, что если стабильный способ тренировки гана не может быть найден, ган может быть заменен другими структурами.
Верхний предел гана с бесконечной подгоночной способностью очень высок, но из-за противостояния и игры между двумя моделями им трудно тренироваться и сходиться. Существует много литературы по сходимости (равновесие Нэша) и устойчивости (коллапс мод и т. д.) ган.
БОЛЬШОЙ ГАН, известный как GAN2.0 (АР Вест V.org/PDF/1812.04…
Крутой GAN или нет, не в том, чтобы увидеть, достаточно ли сильны способности GAN, а в том, чтобы увидеть, можно ли хорошо использовать этот инструмент. Задачи, выполняемые GAN (такие как генерация, преобразование изображений и т. д.), сами по себе гораздо сложнее, чем классификация изображений. Есть некоторые специфические, очень интересные задачи, ГАН (смена штанов? перенос стиля и т.д.) достигает потрясающих результатов.
ГАН сама по себе очень слабая, рыхлая структура, и всегда есть много фантастических применений (цикл-ган и т.д.). Мне лично очень нравится!
три,\
Автор: Донг Хао
Многие люди понимают, что GAN — это просто способ создания изображений, но приложение для работы с изображениями — это всего лишь форма GAN. Самым большим вкладом GAN является состязательное обучение, Например, его наибольшая способность заключается в том, чтобы хорошо изучить отображение, когда два распределения не отображаются, например, шум z на изображение X.
GAN - это общая структура алгоритма, поэтому нет такого понятия, как круто или круто.В лучшем случае приложение изображения было сделано почти? Но действительно ли приложение делает то же самое? Вы создаете фильм 4K для моего просмотра? StyleGAN лучше генерирует карты лиц.
Возможно ли это, если не будет больше алгоритмов бенчмаркинга NB, таких как VQ-VAE, GLO, GLANN? \
Четыре,
Автор: анонимные пользователи
Надо все сложнее поливать, менять убыль, менять структуру, наклеивать несколько граней, не должно получиться.
Чтобы больше поделиться, нажмите и удерживайте, чтобы подписаться на эту официальную учетную запись: