【星球知识卡片】图像生成都有哪些核心技术，如何对其进行长期深入学习

大家好，欢迎来到我们的星球知识小卡片专栏，本期给大家分图像生成的核心技术点。

作者&编辑 | 言有三

1 基本图像生成框架

一个基本的图像生成框架包括判别器和生成器，其中生成器输入噪声向量，判别器判别真实图像和生成的图像，DCGAN是其中典型的代表，也是新手入门必须掌握的第一个框架。

2 条件GAN

DCGAN固然是可以生成满足训练数据集中数据分布的图片，但是却没有办法进行精确的控制，比如生成具体的某一类数字，或者某一类笔画风格，因此我们需要条件可以控制的网络，这就是条件GAN，这也是新手必须掌握的内容，是后续很多GAN变种的基础。

3 级联GAN

早期以DCGAN为代表的GAN网络生成的图片分辨率太低，质量不够好，都不超过100×100，这是因为难以学习一次性生成高分辨率的样本，收敛过程容易不稳定。基于此，金字塔GAN(LAPGAN)，Progressive GAN等级连结构被提出并广泛使用，它们参考图像领域里面的金字塔结构由粗到精一步一步生成图像，并学习残差而不是完整的图像。

4 多判别器与生成器

当面对复杂的图像生成问题时，单个判别器和生成器的能力显得就不够了，因为多个判别器和生成器的结构被研究者广泛研究。采用多个判别器的好处带来了类似于模型集成的优势，并且可以独立完成不同的任务，而多个生成器的设计则可以实现生成器的分工合作，以提高模式丰富性。

5 GAN与VAE的结合

GAN和VAE是两类最常见的生成模型，VAE的特点是可解释性更强，不过生成结果比较模糊。GAN的特点是生成结果更加逼真，但是容易陷入模式崩塌等问题。有许多研究致力于融合两者的性能，如ALI，它包含了编码器，解码器以及判别器。

6 其他

总的来说，图像生成有非常多的研究方向，包括：

(1) 条件GAN的各类变种。

(2) 与VAE的结合。

(3) 多生成器多判别器改进。

(4) 递归与多尺度设计。

(5) 各类层归一化机制的使用。

(6) 注意力机制的使用。

(7) 从2D数据到3D数据的生成。

(8) 多模态技术的使用。

(9) 数据生成在数据增强，无监督训练等任务中应用。

(10) 其他等等。

以上内容，如果你不想自己学习，可以去我们知识星球的网络结构1000变板块—GAN板块阅读。

有三AI知识星球

转载文章请后台联系

侵权必究