本文主要是介绍GAN笔记_李弘毅教程(八)Photo Editing,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Demo
可以根据调节参数来变化特征
要知道输入的每一维控制输出的什么特征。
G输入z,输出x;如果已知x(图片和标签),我们如何知道生成x的z(vector)?
学习一个encoder
Decoder不动,只train encoder,修正Encoder的最后一层。实际上可以拿D的参数来初始化Encoder的参数。
这样当给出一些image,就可以反推出它们的vector。
下图公式:长发vector=长发的图经过Encoder的vector平均-短发的图经过Encoder的vector平均
Demo:只能的photoshop
先train一个generater,从包dataset中sample出一些,从鞋sample出一些,从黑T恤中sample出一些,如果想改变T恤的颜色,既满足是T恤又满足变成红色的要求,就把code移动空间。
具体而言
要将黑色T恤反推到vector
方法一:将 G ( z ) G(z) G(z)和 x T {x^T} xT越接近越好,用梯度下降
方法二:用Auto-Encoder
方法三:将方法二作为方法一的初始值
如何找出一个${z^*}符合条件的?
1.要满足自己新提出来的要求
2.要满足还是原来那个商品,越接近越好
3.加一个constrain,生成结果放到D里,要和真实辨别不开的。
应用
超分辨率
第一张图 传统方法 模糊
第二张图 用network,部分细节模糊
第三张图 用GAN,清晰,但花纹会不一样
Image Completion图像完成
把缺失的部分补充完整
用conditional GAN
找一堆图片训练
这篇关于GAN笔记_李弘毅教程(八)Photo Editing的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!