PGGAN | Croissance progressive du GAN pour améliorer la qualité, la stabilité et le changement (Partie 1) | Distributeur automatique

—————— Participez à notre défi produit d’apprentissage automatique et gagnez un 💰prix en espèces jusqu’à 3 000 $ : ————– – – Toronto Deep Learning Series, 29 octobre 2018 Partie 2 : Pour des diapositives et plus d’informations, veuillez visiter : Article : Conférencier : Andrew Martin (Logojoy) Modérateur : Logojoy Date : Octobre 2018 Le 29, GAN s’agrandit progressivement pour améliorer la qualité, la stabilité et Nous décrivons une nouvelle méthode d’entraînement pour générer des réseaux contradictoires. L’idée clé est d’ajouter progressivement des générateurs et des discriminateurs : en commençant par la basse résolution, nous ajoutons de nouvelles couches, et modélisons des détails de plus en plus fins au fur et à mesure que l’entraînement progresse. Cela accélère non seulement la formation, mais la stabilise également considérablement, nous permettant de générer des images d’une qualité sans précédent, telles que des images 1024^2 CelebA. Nous avons également proposé une méthode simple pour augmenter la variation de l’image générée et obtenu un score initial record de 8,80 en CIFAR10 non supervisé. De plus, nous décrivons plusieurs détails de mise en œuvre qui sont importants pour éviter une concurrence malsaine entre le générateur et le discriminateur. Enfin, nous proposons un nouvel indicateur pour évaluer les résultats du GAN, y compris la qualité et les changements d’image. Comme contribution supplémentaire, nous avons construit une version de meilleure qualité de l’ensemble de données CelebA. .