AI论文精读笔记-Generative Adversarial Nets(GAN)

最新推荐文章于 2025-02-05 10:00:00 发布
最新推荐文章于 2025-02-05 10:00:00 发布
阅读量1.3k 收藏 6
点赞数 10
CC 4.0 BY-SA版权
文章标签： 人工智能 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ADDDDDDS/article/details/142137659

1. 论文基本信息

  • 论文标题：Generative Adversarial Nets

  • 作者：Ian J. Goodfellow,∗ Jean Pouget-Abadie,† Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair,‡ Aaron Courville, Yoshua Bengio§

  • 发表时间和期刊：2014.06；NeurIPS

  • 论文链接：Generative Adversarial Nets

2. 研究背景和动机

        到目前为止，深度学习中最引人注目的成功来自于判别模型，通常是那些将高维度、丰富的输入映射到类别标签的模型。相比之下，生成模型的影响力较小，原因在于近似许多难以处理的概率计算（这些计算在最大似然估计和相关策略中出现）非常困难，此外在生成背景中难以利用分段线性单元的优势。

3. 主要贡献

        (1) 我们通过“对抗”的方式提出了一种新的framework用于估算生成模型，绕过了这些难题。在所提出的对抗网络框架中，生成模型与一个对手判别模型进行对抗：一个判别模型学习如何判断样本是来自伪造的分布还是数据分布。生成模型可以类比为一组伪造者，试图制造假币并使用而不被发现，而判别模型则类似于警察，试图识别假币。这场竞争驱使双方不断改进方法

最低0.47元/天 解锁文章

200万优质内容无限畅学
Cai_CS_stu
关注
Generative Adversarial Nets论文笔记
InMKaKui的博客
10-14 800
GAN网络结构 两个模型：两个模型都是多层感知机，第一个先定义输入噪声向量，映射到数据空间，获取生成器对样本数据的分布，并生成虚假样本；第二个输出一个标量，表示样本来自真实数据而不是生成数据的概率 蓝色虚线是判别器D，绿色实线是生成器G生成的虚假数据的分布P(G)，黑色虚线是真实数据的分布Px，下方的两个横线表示x=G(z)这个将噪声z映射到x的趋势。从a到d，随着迭代的进行，G的分布...
笔记：Generative Adversarial Nets
qq_49134563的博客
11-24 399
Generative Adversarial Nets Summary 作者提出了一个生成式模型，采用多层感知机实现。将生成式模型与判别式模型共同训练，两者扮演零和博弈游戏的两个玩家。对于生成器Generator，需要生成足以骗过判别器的图形，对于判别器Discriminator，需要识别输入是来自真实数据还是生成数据。随着生成器G的训练，判别器的输出将稳定在$ \frac{1} {2} $ 。 Research Objective 设计一种生成式模型，生成足以媲美真实数据的模拟数据。 Problem St
Generative Adversarial Nets（译）
热门推荐
小时候贼聪明
01-16 3万+
我们提出了一个通过对抗过程估计生成模型的新框架，在新框架中我们同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自训练数据而不是G的概率的判别模型D，G的训练过程是最大化D产生错误的概率。
文献阅读（70）NIPS2014-Generative Adversarial Nets
CSDNTianJi的博客
03-30 637
本文是对《Generative Adversarial Nets》一文的总结，如有侵权即刻删除。
重读经典：《Generative Adversarial Nets》
10点43的博客
11-10 1万+
GAN论文逐段精读【论文精读】 GAN论文链接：https://arxiv.org/abs/1406.2661
李沐精读论文：GAN《Generative Adversarial Nets》by Ian J. Goodfellow
iwill323的博客
12-15 3691
李沐精读论文——GAN 《Generative Adversarial Nets》by Ian J. Goodfellow
Generative Adversarial Network（李宏毅老师系列）
Moliay的博客
08-15 820
低维的 Manifold【是可以局部欧几里得空间化的一个拓扑空间，是欧几里得空间中的曲线、曲面等概念的推广】高维空间中随便 Sample 一个点都不是图片只有非常小的范围,Sample 出来会是图片。：Discriminator 跟 Generator,它们互动的过程是自动的。每一个图片都去配一个从 Gaussian Distribution Sample 出来的 Vector，Train 一个 Network,输入一个 Vector,输出就是它对应的图片,把对应的图片当做你训练的目标训练下去。
Generative Adversarial Nets——NIPS2014
qq_33816657的博客
03-17 1786
1、背景 GAN的提出缘起于Goodfellow庆祝他的一个朋友博士学习结束，酒后饭桌上大家提及想要“试图用...
读个论文（二）—— Generative Adversarial Nets
最新发布
weixin_45920264的博客
02-05 1174
一个判别模型，学习确定样本是来自模型分布还是数据分布。生成模型可以被认为类似于一个伪造者团队，试图生产假币并在不被检测的情况下使用它，而判别模型类似于警察，试图检测假币。这个游戏中的竞争促使两队改进他们的方法，直到假冒商品与正品无法区分。
论文阅读：Generative Adversarial Nets
OctYZ的博客
09-18 1504
提出GAN：生成模型 G ，生成模型用来捕获数据的分布；辨别模型 D ，辨别模型用来判断样本是来自于训练数据还是生成模型生成的。在任意函数空间里，存在唯一解，G 能找出训练数据的真实分布，而 D 的预测概率为21​。
生成对抗网络创始者论文Generative Adversarial Nets
11-06
Ian J. Goodfellow等人于2014年提出生成对抗网络。 原文摘要：We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability
GAN系列：论文阅读——Generative Adversarial Networks & 李宏毅老师GAN课程P1+P4
lynlindasy的博客
02-19 2346
Generative Adversarial Networks简称为GAN，包含三个重要成分：生成器Generator，判别器Discriminator和对抗Adversarial。 基本概念： 生成器(Generator)：生成器的作用是根据一个随机产生的向量(vector)产生一张图片，也就是说Generator model的输入是一个向量，输出是一张图片。 判别器(Discrimina...
深度学习笔记一：生成对抗网络（Generative Adversarial Nets）
眼观
11-22 1万+
文章链接：http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf 已经有段时间没看过Deep learning的东西了，最近要重新捡起来了。从生成对抗网络（GAN）开始。 这是Goodfellow的scholar主页，没看过的可以去膜拜一下。 与GAN相关的最新的推荐文章： Unsupervised and Semi
阅读小结：Generative Adversarial Nets
郑哲东的博客
08-26 7420
这是Ian Goodfellow大神的2014年的paper，最近很火，一直没看，留的坑。 中文应该叫做对抗网络 What： 同时驯良两个模型：一个生成模型G（获得数据分布），一个区分模型D（预测输入是真实的，还是G中产生的） G的训练目标就是最大化D犯错误的可能，这样G这个生成模型就越厉害。 这个框架很像两个人在玩游戏。 整个系统里只用了bp，没有马尔可夫链或者其他推理的神经
论文：Generative Adversarial Nets
君莫笑
10-21 518
pdf:http://de.arxiv.org/pdf/1406.2661 code:https://github.com/goodfeli/adversarial 摘要 我们提出了一个新的框架，用于通过对抗来估计生成模型过程中，我们同时训练两个模型：生成模型G 捕获数据分布，以及判别模型D样本来自训练数据而非G的概率。训练G的过程是最大程度地提高D犯错的可能性。 这个 框架对应于一个两人零和游戏。 在任意空间功能G和D，存在唯一的解决方案，其中G恢复训练数据 分布和D等于12无处不在。 在定义了G和
《Generative Adversarial Nets》笔记
qq_15933615的博客
04-06 533
生成对抗网络包括两个部分：生成器和判别器。为了让生成器学习到数据的分布，定义一个先验噪声变量Pz，然后通过生成器映射到数据空间Pg，即假的数据。判别器以生成的数据及真实数据作为输入，输出为一个0到1之间的数，看作输入来自真实数据的概率，因此判别器为一个二分类分类器。我们想让判别器通过训练最大化分配真实数据标签1假数据标签为0的概率，同时训练生成器生成的假数据可以迷惑判别器，让判别器最小化假数据标签...
论文学习：Stacked conditional generative adversarial networks for jointly learning shadow detection...
weixin_41921091的博客
01-25 1744
CVPR2018:Stacked conditional generative adversarial networks for jointly learning shadow detection and shadow removal 用于联合学习阴影检测与消除的叠加条件生成对抗网络
Generative Adversarial Nets[Pre-WGAN]
weixin_30319153的博客
01-23 279
本文来自《towards principled methods for training generative adversarial networks》，时间线为2017年1月，第一作者为WGAN的作者，Martin Arjovsky。 下面引用自令人拍案叫绝的Wasserstein GAN 要知道自从2014年Ian Goodfellow提出以来，GAN就存在着训练困难、生成器和判别器的lo...
Generative Adversarial Nets[Improved GAN]
weixin_30672019的博客
01-19 192
0.背景 Tim Salimans等人认为之前的GANs虽然可以生成很好的样本，然而训练GAN本质是找到一个基于连续的，高维参数空间上的非凸游戏上的纳什平衡。然而不幸的是，寻找纳什平衡是一个十分困难的问题。在现有的针对特定场景算法中，GAN的实现通常是使用梯度下降的方法去训练GAN网络的目标函数，意在找到lost函数最低值而已，而不是真的找零和游戏中的纳什平衡。且目标函数本身是非凸函数，其中是连...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值