Please enable JavaScript.

Coggle requires JavaScript to display documents.

SinGAN (训练 (损失函数 (重构损失函数 (原因想要确保有某些特定的噪声，能对应生成原始图片x，这些噪音会在创建之后被固定下来，而且最后…

- - - - 原因
        
        想要确保有某些特定的噪声，能对应生成原始图片x，这些噪音会在创建之后被固定下来，而且最后一层是z*，下面的层都为0即{z*, 0 ,0 ,0 ...,0}
      - $$L_{rec}=||G_N(z^*)-x_N||^2$$
      - $$L_{rec}=||G_n(0, (x_{n+1}^{hat,rec})\uparrow^r)-x_n||^2$$
- - - - 公式
        
        $$x^{hat}_N=G_N(z_N)$$
      - 说明
        
        最底层随机输入大小约为整张图片1/2高的高斯噪声。因此这一层会生成图片和物体的权举架构
        
        GN是5个由Conv(3x3)-BatchNorm-LeakyReLU组成的卷积块
    - - 公式
        
        $$x^{hat}_n=\psi(z_n+(x^{hat}_{n+1})\uparrow^r)+(x^{hat}_{n+1})\uparrow^r$$
      - 说明
        
        ψ函数代表一层卷积块，输入上一层生成的x_hat，z_n代表这一层的高斯噪声，用于控制生成图片的大小，先加起来是为了网址噪声被无视。最后本层生成的x_hat又和上一层的x_hat加到一起，应该是有残差和让上面的层直接感知下面的层
  - - - 定义
        
        基于CNN的分类模型有很多种，很多网络都是在最后引入了一个全连接层，然后将判别的结果输出（输出结点）
        
        马尔可夫判别器则是不一样，直观来看，它完全由卷积层构成，最后输出的是一个n*n的矩阵，最后取输出矩阵的均值作为True/False的输出
        
        事实上，输出矩阵中的每一个输出，代表着原图中一个感受野，对应了原图的一片（patch），而具有这样结构的GAN被称为PatchGAN
      - 优点
        
        在图像风格迁移领域中，我们这里沿用Gatys论文中关于风格迁移的想法，即风格迁移分为两部分：内容部分和纹理部分。
        
        内容部分是指生成图像和原图像在内容（语义）上的相似性(房子的外形)
        
        纹理部分是指生成图像和目标图像在纹理上的相似性(外墙瓷砖)
        马尔可夫判别器对于风格迁移中的超高分辨率、图片清晰化有一定的高分辨率、高细节的保持。