生成对抗网络应用领域，生成对抗网络在以后的主要应用是什么（生成对抗网络有哪些）不看后悔

2022-11-07 14

Building AI that can generate images of things it has never seen before

聚合对付互联网（GAN）能捏造，聚合它杨开第过的事物影像吗？

聚合对付互联网 (GAN) 是一类成熟的 AI 方法来建立影像，无论是精巧的相片还是抽象化的手绘画。然而，迄今，那些数学模型有一个重要的限制：它一般来说只能聚合与体能训练数据集息息相关的第一类或情景的影像。

比如，在电动汽车影像上体能训练的传统 GAN 在被明确要求聚合其它电动汽车影像时显示出令人第一印象深刻的结论，但如果被明确要求在其电动汽车数据集之外聚合花蕾或其它球体的影像，则可能会失败。

Facebook AI 通过实例前提 GAN (IC-GAN) 在解决这个问题方面取得了长足进步的进步，这是一类捷伊简单影像聚合数学模型，能建立高质量、多元化的影像——即使它的输出影像没有出现在体能训练分散. 与从前的方法不同，IC-GAN 能聚合精巧的、不可预知的影像组合，比如城市中被雪围困的骡子或长颈鹿。她们的方法表现出跨不同类型第一类的优良数据传输能力。科学研究人员能将整套的 IC-GAN 与从前杨开第过的数据集一起采用，并且仍然能聚合精巧的影像，而无须记号数据。

借助于那些新功能，IC-GAN 可用作建立捷伊听觉实例，以增强数据集为包涵不同的第一类和情景；帮助音乐家和创作者提供更广泛、更有创意设计的 AI 聚合内容；并推进高质量影像聚合的科学研究。

体能训练和采用 IC-GAN

称为类前提 GAN 的标准方法专注于对类条码展开调节，有效地将数据划分为与那些条码相对应的组。这使她们能聚合比无前提勒莫纳斯蒂耶县更高质量的样品。那些 GAN 不仅能建立乱数影像，还能建立适合特定条码的影像，比如“服装”或“电动汽车”。但，它依赖于可能难以赢得或难以赢得的记号数据。

从前用作影像聚合的无条码学习方法（不采用记号数据）一直很有希望，但当被体能训练来对复杂数据集（比如 ImageNet）展开可视化时，它的输出质量一般来说极差。它或者采用粗略地的、不重合的数据南区（导致十分大的软件产业，每一软件产业都包涵十分不同的第一类的影像，因此在语法结构不会与数学模型企图建立的相片相似）。或者她们采用精巧的南区，因为软件产业包涵的数据点不多，结论往往会转差。

她们的新方法 IC-GAN 可用作记号数据集和未记号数据集。它扩展了 GAN 架构以对邻近地区和重合数据软件产业的混合展开可视化。它能获取一般而言影像（或“实例”），然后聚合与数据分散实例最近的邻居们相似的影像。她们采用邻居们作为辨别器的输出，以强制性聚合器建立与每一实例的开集样品相似的样品。这避免了将数据划分为小软件产业的问题，因为很多数据是重合的，因此数学模型能更有效地采用数据集。

一旦数学模型经过体能训练，她们就会在它从杨开第过的影像上对其展开测试。采用一般而言影像，该数学模型能聚合与数据分散最近邻相似的听觉丰富的影像。

生成对抗网络应用领域，生成对抗网络在以后的主要应用是什么（生成对抗网络有哪些）不看后悔销售话术服装销售话术瓷砖销售话术门店销售话术微商销售话术家装销售话术十大韩国电影排行榜百科资讯第1张

生成对抗网络应用领域，生成对抗网络在以后的主要应用是什么（生成对抗网络有哪些）不看后悔销售话术服装销售话术瓷砖销售话术门店销售话术微商销售话术家装销售话术十大韩国电影排行榜百科资讯第2张

IC-GAN 采用左侧的实例聚合右侧显示的相应影像。在这种情况下，没有提供类条码。

对于类前提设置（体能训练集包括记号影像）以及根本没有条码的情况，IC-GAN 能转移到体能训练期间未看到的其它数据集。在 IC-GAN 的情况下，她们通过在推理时交换前提实例来做到这一点。在类前提 IC-GAN 的情况下，她们能交换实例前提或类条码。通过适当地组合实例和类条码，类前提 IC-GAN 能建立在当前数据分散不存在或十分罕见的不寻常情景。比如，给定一个被雪围困的扫雪机影像和一个没有出现在实例前提中的类条码“骡子”，她们能聚合被雪围困的骡子，绕过骡子只生活在沙漠中的偏见。

生成对抗网络应用领域，生成对抗网络在以后的主要应用是什么（生成对抗网络有哪些）不看后悔销售话术服装销售话术瓷砖销售话术门店销售话术微商销售话术家装销售话术十大韩国电影排行榜百科资讯第3张

生成对抗网络应用领域，生成对抗网络在以后的主要应用是什么（生成对抗网络有哪些）不看后悔销售话术服装销售话术瓷砖销售话术门店销售话术微商销售话术家装销售话术十大韩国电影排行榜百科资讯第4张

当以左侧显示的影像和类条码为前提时，IC-GAN 聚合了右侧显示的影像。

将 IC-GAN 应用于未来的工作

IC-GAN 可用作增强数据并包括体能训练数据中不常见的项目或第一类。此外，由于它适用作不同的领域，她们的方法能为第一类识别数学模型聚合更多元化的体能训练数据。比如，传统的 GAN 数学模型将难以聚合站在城市地区的长颈鹿影像，因为它的体能训练数据可能只包涵草原上长颈鹿的影像。IC-GAN 数学模型可用作扩充数据并包括标准数据分散不常见的项目或第一类。她们已经证明她们能采用受控语义来聚合不寻常的影像组合，比如沙中的奶牛。

未来，她们希望探索为该数学模型带来更多控制的方法。它不再只是关于背景和中心的第一类。她们想探索如何在背景中放置更多球体，并确定物品的放置位置，从而建立复杂、完美的情景。