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

论生成对抗网络的“可操作性”

摘要:当代机器学习的一个公开秘密是,许多模型在标准基准测试中运行良好,但未能在实验室外进行推广。这归因于对有偏见数据的培训,这些数据对现实世界事件的覆盖率较低。生成模型也不例外,但生成对抗网络(GAN)的最新进展表明 - 这些模型现在可以合成出惊人的真实和多样化的图像。照片的生成建模是一个解决的问题吗?我们表明,尽管当前的GAN可以很好地适应标准数据集,但它们仍然不能成为视觉流形的综合模型。特别是,我们研究了它们适应简单变换的能力,例如相机移动和颜色变化。我们发现模型反映了它们被训练的数据集的偏差(例如,居中对象),但它们也表现出一定的泛化能力:通过潜在空间中的“转向”,我们可以在创建现实的同时改变分布图片。我们假设分布变化的程度与训练数据分布的广度有关,并进行证明这一点的实验。

04
领券