Generatives Deep Learning, 2. Auflage

Kapitel 10. Fortgeschrittene GANs

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Kapitel Ziele

In diesem Kapitel lernst du:

• Schau dir an, wie ein ProGAN-Modell nach und nach ein GAN trainiert, um hochauflösende Bilder zu erzeugen.

• Verstehe, wie ProGAN angepasst wurde, um StyleGAN, ein hochleistungsfähiges GAN für die Bildsynthese, zu entwickeln.

• Erfahre, wie StyleGAN angepasst wurde, um StyleGAN2 zu schaffen, ein hochmodernes Modell, das die ursprüngliche Arbeit weiter verbessert.

• Lerne die wichtigsten Beiträge dieser Modelle kennen, darunter progressives Training, adaptive Instanznormalisierung, Gewichtsmodulation und -demodulation sowie Pfadlängenregularisierung.

• Gehe durch die Architektur des Self-Attention GAN (SAGAN), das den Aufmerksamkeitsmechanismus in das GAN-Framework integriert.

• Sieh dir an, wie BigGAN die Ideen aus dem SAGAN-Papier erweitert, um hochwertige Bilder zu produzieren.

• Lerne, wie VQ-GAN ein Codebuch verwendet, um Bilder in eine diskrete Folge von Token zu kodieren, die mit einem Transformator modelliert werden können.

• Sieh dir an, wie ViT VQ-GAN die VQ-GAN-Architektur anpasst, um Transformers anstelle von Faltungsschichten im Encoder und Decoder zu verwenden.

In Kapitel 4 wurden generative adversarische Netzwerke (GANs) vorgestellt, eine Klasse von generativen Modellen, die bei einer Vielzahl von Aufgaben der Bilderzeugung hervorragende Ergebnisse erzielt ...