Skip to main content

GAN

  • GAN - Generative Adversarial Networks - 生成对抗网络
  • Usecase/使用案例
    • 生成图像
    • 图像生成图像
    • 为其他模型生成训练数据
    • 补全缺失的信息 - 把图像变高清
    • 根据 2D 数据生成 3D 模型
  • Generator - 生成器
    • 负责生成看起来像真实数据的样本
  • Discriminator - 判别器
    • 负责区分真实数据和生成数据

实现​

  • Vanilla GAN
  • DCGAN - Deep Convolutional GAN
  • WGAN - Wasserstein GAN
    • 生成器和判别器的损失函数是 Wasserstein 距离
  • CGAN - Conditional GAN
    • 生成器和判别器都接收额外信息
    • 有针对性地生成数据
    • 需要额外信息，通常是类标签或其他形式的调整数据。
    • 生成满足特定条件的数据
  • Conditional WGAN
  • SRGAN - Super Resolution GAN
  • BiGAN - Bidirectional GAN
  • CycleGAN
    • 2017
    • 无需成对的训练数据
    • 引入 Cycle-Consistency Loss
    • CycleGAN > CUT > FastCUT
  • DiscoGAN
    • 和 CycleGAN 非常相似
  • CUT - Contrastive Unpaired Translation
  • img2img-turbo - CycleGAN-Turbo, pix2pix-Turbo
    • 2024
  • FastCUT
  • CycleDiffusion
  • pixelRNN
  • DDIB - Dual Diffusion Implicit Bridges
  • InfoGAN
  • BigGAN
  • SinGAN
  • Contextual Attention GAN (CA-GAN)
  • DeepFill v2
  • Attention-based Image Inpainting
  • NVlabs/stylegan
    • 能够独立地控制图像的不同层次特征
    • Mapping network
    • Synthesis network
    • PG-GAN （progressive growing GAN）
    • NVlabs/stylegan2
    • -> NVlabs/stylegan2-ada
    • -> NVlabs/stylegan2-ada-pytorch
    • Gen
      • 新的结构 - 样式网络
      • style mixing - 混合样式
      • AdaIN - adaptive instance normalization - 自适应实例归一化
      • 更好地控制生成图像的不同层次特征，从而实现更高的图像质量和更细致的控制。
    • Dis
      • progressive growing - 渐进式生长
  • ACGAN - Auxiliary Classifier GAN - 辅助分类器生成对抗网络
  • UNet Generator GAN
  • PatchGAN discriminator
  • Pix2Pix
    • 需要成对的训练数据
  • ResNet - Residual Networks - 残差网络
  • orpatashnik/StyleCLIP
    • Text-Driven Manipulation of StyleGAN Imagery

StyleGAN​

参考​