生成对抗网络及其他生成模型
计算机视觉与模式识别
2022-07-11 v1 机器学习
图像与视频处理
摘要
生成网络在其目标和方法上根本不同于用于分类、分割或目标检测的CNN。它们最初并非旨在成为图像分析工具，而是用于生成自然逼真的图像。对抗训练范式被提出以稳定生成方法，并已被证明极为成功——尽管绝非一蹴而就。本章对生成对抗网络（GANs）的动机进行了基础介绍，并通过抽象基本任务与工作机制、推导早期实用方法的困难，梳理其成功之路。文中将展示更稳定的训练方法，以及收敛不良的典型迹象及其原因。尽管本章聚焦于用于图像生成与图像分析的GANs，但对抗训练范式本身并不局限于图像，也可推广至图像分析任务。在将GANs与近来出现的其他生成建模方法对比之前，会介绍用于图像语义分割与异常检测的架构示例。这将有助于对GANs的局限与优势形成情境化的认识。
引用
@article{arxiv.2207.03887,
title = {Generative Adversarial Networks and Other Generative Models},
author = {Markus Wenzel},
journal= {arXiv preprint arXiv:2207.03887},
year = {2022}
}