理工酷
资源下载
该网络的主要目的是生成完全类似于原始图像的伪实时图像。
例如:假设你是一名艺术家，并且希望绘制一名士兵的照片。现在，未经他人允许，不能使用地球上任何人的面孔，因为这会给你带来法律问题。
现在，你会怎么做？
你可以绘制一个实际上不存在的人的图像。之所以能够绘制这样的面孔，是因为你每天都在与他人交互并看到很多人的面孔，因此尽管你绘制的图像是伪造的图像，但看起来会和真人十分相似。
我们都知道这些人是真实的存在的
但是你知道这个女孩是否真实存在吗？
这个女孩并不真实存在。这张图片是由GAN根据肖
像分析得出的。
GAN工作原理
GAN的工作目的与此类似。此其架构结合了两个重要的神经网络- • Generator：生成器通过迭代学习一些噪声样本来创建许多伪图像。 • Discriminator：鉴别器总是试图将生成器创建的伪图像与真实图像区分开。 简而言之，生成器和鉴别器相互竞争以发挥其最佳性能。当鉴别器将图像识别为由生成器创建的伪图像时，生成器会自行分析学习并识别出在哪里造成了错误，从而使鉴别器将其图像检测为伪造。 因此，生成器变得更加警惕，并制作出接近真实图像的更完美图像，并传递给鉴别器，并检查其是否可以识别伪造。如果鉴别器将其识别为伪造品，则生成器将增加其学习效果，并再次尝试提高其图像的独创性。 该过程作为一个循环继续进行。最后，能够得到经过精心设计的图像，这些图像实际上是假的，但看起来像原始图像。
一个比喻
这种情况就像是一个盗贼，他生产假币，然后去商店使用这些假币购买东西。 小偷第一次制造假币时，他忘记加了政府的标志。当他去商店时，店主发现他的货币是假的，并拒绝了。 下次，小偷非常警惕，并用徽标和所有其他重要的识别标记更新了货币，然后去了商店。这次，店主注意到所有的东西都是完美的，但是纸张更加透明。因此，他变得有点怀疑，并拒绝了货币。 小偷第三次制造出与原始货币完全一样的假币，然后去了商店。这次，店主无法将其识别为假货接受了。 因此，小偷能够欺骗店主。在这里，小偷就是生成器，店主相当于是鉴别器。
GAN的标准简单体系结构图
GAN的工作过程
步骤1：定义问题 步骤2：选择GAN的架构 步骤2：用真实图像训练鉴别器，以便它可以学习真实图像的所有特征。 步骤4：使用生成器生成伪造图像。 步骤5：使用生成器创建的伪造图像训练鉴别器。以知道它是否能够分别识别伪造的图像。 步骤6：如果辨别器识别出伪造的图像，然后将所有这些图像再次传递给生成器，以使其能够增强图像的独创性，以便在图像下次到达辨别器时，使辨别器无法检测到其伪造。
GAN的缺点
• 生成器和鉴别器之间的平衡 如果鉴别器的功能不如生成器，那么它将无法区分真实图像和更高级的伪图像。 如果鉴别器比生成器先进，那么我们需要很多时间来生成伪图像，有时它会影响算法的性能。 • 空间不变性问题 生成器通常无法识别空间不变性。 例如： 它可能能够生成单个对象的图像，例如树，老虎，房屋等，但是当考虑到100头老虎站在一组树前的图像时，它看起来可能非常复杂，并且生成器会发现很难保持其原创性。 • 不合逻辑的图像 有时，当训练成千上万张图像时，GAN可能会以错误的方式理解这些观点。 例如：假设你使用从动物园拍摄的一些图像训练了GAN。生成器可以创建图像，例如老虎站在河中，鳄鱼站在树枝中，狮子吃草等。这些是逻辑上的谬误，实际上是不可能的。
GAN在现实世界中的用途
目前有许多使用GANS的高级应用正在研究中，例如：
- 通过视频预测未来的发展
- GAN可以从看板球比赛中投球手的保龄球动作来预测击球手将得分多少。
- GAN可以通过仅查看跑道上的运动来预测飞机起飞后是否安全。
- 文字到图像的生成： GAN可以理解文本并据此生成图像。 例如：假设你输入的文本是“一些孩子在花园里玩球”。 复杂的GAN可以创建描述这种情况的图像。
- 增加图像的分辨率 它可以从低质量到高分辨率提高图像质量。
- 交互式图像生成 它可以根据简单图像制作交互式图像。 例如：如果3岁的孩子绘制恐龙的图像。显然不是很好。训练有素的GAN可以识别出该不良图像中的物体，并可以生成该恐龙的高级高质量图像。
