首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    对偶学习的生成对抗网络 (DualGAN)

    近年来,生成对抗网络(Generative Adversarial Networks, GAN)成为了人工智能领域最为炙手可热的研究方向。GAN 的想法最早由 Ian Goodfellow 在 2014 年提出。GAN 用对抗的方法,同时训练了一个「生成模型(G)」与一个「判别模型(D)」,在学习的过程中,生成模型的优化目标是尽可能地去生成伪造的数据,从而获得真实数据的统计分布规律;而判别模型则用于判别给出的一个输入数据到底来源于真实数据还是生成模型。最终,当一个判别模型无法准确分辨生成模型所生成的数据是否为伪造时,此时我们认为判别模型与生成模型都已经提高到了较高的水平,生成模型所生成的数据足以模仿真实世界中的数据。因此,当我们使用 GAN 来「识别」图片时,我们不但识别了图片的内容,还可以生成各种不同内容的图片。费曼曾经说过:“What I cannot create, I do not understand.”生成模型为人工智能的研究提供了一种“create” 的可能性,因而引起了广泛的关注。

    02

    图片转图片技术哪家强

    给你一张黑白图片,你如何把它转换成对应的彩色图片;给你一张白天的景色图片,你如何把他转换成对应的黑色图片;再比如给你一张PS过后的美女图片,你如何把它还原到PS效果之前?这些问题都属于图片转图片问题。如何去解决,对于不同问题我们可能又不同方法。比如深入挖掘里面的规律,找到一种图片到图片的对应关系,然后把这个关系用到新的图上,完成任务。可是,正如我们所见,不同的任务规律不尽相同,要通过找规律这种方法恐怕不能做到通吃。于是我们会想,有没有一种技术,可以做到多种图到图之间转换问题呢?答案是有的,请跟随我的介绍来了解这种神秘技术吧。

    03
    领券