基于 GAN 的图像生成系统性分析
机器学习
2019-09-02 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
生成对抗网络（GAN）在近期无监督学习的发展中起到了关键作用。作为从文本或其他图像进行图像合成的范例，这些网络在性能上相较传统方法表现出显著改进。基于对抗训练理念进行训练，这些网络旨在从真实数据中估计潜在分布，随后将其用作输入以生成合成数据。基于这一基本原理，可以生成若干框架，它们是多个现实应用中的典范实现，例如艺术合成、高分辨率输出生成以及从人手绘草图合成图像等。尽管在理论上 GAN 展现出更好的结果，并在许多方面证明是对传统方法的改进，但这些框架在专用应用中的实现仍具挑战性。本研究探讨并给出了这些框架的分类体系及其在各种图像到图像合成与文本到图像合成应用中的使用。对基础 GAN 以及多种不同的细分框架进行了批判性分析。给出了 GAN 用于图像生成相较传统方法的优势，以及其在其他框架间的劣势。还讨论了 GAN 在医疗、艺术与娱乐等行业中的未来应用。
引用
@article{arxiv.1908.11863,
title = {Systematic Analysis of Image Generation using GANs},
author = {Rohan Akut and Sumukh Marathe and Rucha Apte and Ishan Joshi and Siddhivinayak Kulkarni},
journal= {arXiv preprint arXiv:1908.11863},
year = {2019}
}
备注
Accepted in IEEE ICMLDS 2018