简介
示例
- 图像着色
- 图像超像素
- 背景模糊
- 人脸生成
- 人脸定制
- 文本生成图片
- 字体变换
*风格变换 - 图像修复
……
基础
生成模型和GAN
生成模型不严谨的定义：一个能够生成我们想要的数据的模型（图模型、函数、神经网络）
生成式对抗网络（GAN）的目的是训练这样一个生成模型，生成我们想要的数据。
生成式对抗网络中生成一词的由来。
GAN
框架
工作原理
随机噪声z：从一个先验分布（人为定义，一般是均匀分布或者正态分布）中随机采样的向量。
就像下面这样的分布：
真实样本x：从数据库中采样的样本；合成样本G（z）：生成模型G输出的样本。
判别器（Discrimination）：区分真实（real）样本和虚假（fake）样本。对于真实样本，尽可能给出高的评分1；对于虚假数据，尽可能给出低的评分0.
生成器（Generator）：欺骗判别器 。生成虚假数据，使得判别器D能够尽可能给出高的评分1 .
目标函数
训练算法
1.随机初始化生成器和判别器
2.交替训练判别器D和生成器G，直到收敛
（1）步骤1:固定生成器G,训练判别器D区分真实图像与合成图像。
生成器无需优化可以mask掉
**简单：用监督训练的方式学习一个两类别的分类器！ **
步骤2:固定判别器D，训练生成器G欺骗判别器D。
更新生成器参数，使其合成的图片被生成器D赋予高分
训练策略
KL散度和JS散度
数据分布
极大似然估计
极大似然估计 等价于 最小化生成数据分布和真实分布的KL散度
高斯分布去拟合数据分布，结果并不满意。需要一个更通用的模型！
cGAN条件生成式对抗网络
为什么要控制生成数据的类型？
很多有意义的任务都需要学习条件生成模型！
很难刚好生成对应类型的数据，为什么呢？
条件是狐狸，但生成狐狸或狗时都能欺骗成功。
GAN V.S cGAN
DCGAN
原始GAN，使用全连接网络作为判别器和生成器
- 不利于建模图像信息
- 参数量大，难以优化
DCGAN，使用卷积神经网络作为判别器和生成器
判别器：滑动卷积
生成器：滑动反卷积
批归一化
激活函数
