COURSERA
1.COURSERA - GAN1
GAN1 A to Z code making: https://github.com/KiHwanLee123/Coursera---GAN/blob/main/GAN1.ipynb판별자와 생성자판별자 : P(Class|data)생성자 : 노이즈와 class를 받아 특정 fe
2.COURSERA - Deep Convolutional GAN (DCGAN) / Topologycal GAN(TGAN)
Deep Convolutional GAN (DCGAN) A to Z code making: https://github.com/KiHwanLee123/Coursera---GAN/blob/main/Deep%20Convolutional%20GAN%20(DCGAN).
3.COURSERA - Wasserstein GAN(WGAN) with Gradient Penalty / SN-GAN
위와 같은 경우에는 Gradient를 계산하여 파라미터 업데이트를 잘 수행하게 된다. 하지만 이 경우와 같이 분포가 꽤나 떨어져 있다면, Vanishing Gradient문제로 초기 업데이트가 잘 되지 않게 된다. 이것이 Binary Cross Entropy Loss의
4.COURSERA - ProteinGAN / ConditionalGAN / InfoGAN / Controllable GAN
이미지는 빨강, 녹색 또는 파랑(RGB) 색상의 강도를 나타내는 0에서 256까지의 정수로 표현됩니다. 단백질도 마찬가지로 문자를 사용하여 아래와 같이 20개의 고유한 아미노산을 나타냅니다: >MKYATLLEYAFQALKNSYAPYSRFRVGAALLSDDGEVVTGC
5.COURSERA - Evaluation of GAN / FID / Inception Score / HYPE / Precision&Recall / PPL
GAN의 평가가 어려운 이유random noise를 통해 genenrate했는데, 어떻게 평가할 것인가?마치 명작을 그리는 법을 배우는 고급 예술가와 같다.옳고 그름이 명확히 없다.그렇다면 어떤 관점으로 평가하는 것이 좋을까?1) Fidelity생성 된 이미지의 품질,
6.COURSERA - Bias of GAN
GAN의 단점으로는 단방향이라는 점이다.즉, 이미지를 latent vector로 정확하게 보낼 수 없다는 것인데 왜 이것이 단점이 될까?우리는 단순히 이미지를 generate하는 것이 목적이 아닌가?=> 이에 대한 이유로는 이미지 editing을 실시할 수 있어지기 때
7.COURSERA - 1. Progressive growing / 2. Noise mapping network / 3. Adaptive instance normalization(AdaIN)
Progressive growing, Noise mapping network, Adaptive instance normalization(AdaIN)GAN Improvements1) Stability - Mode collapse미니 배치에서 편향이 있으면 이렇게 GAN에
8.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
9.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
10.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
11.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
12.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
13.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
14.COURSERA - Application of GAN / Data Augmentation / GAN의 장단점 / GANs for Privacy
Image to Image1) GauGAN2) Super Resolution – sharpened image3) multimodal image to image translation ex) cat to dog4) Text to image5) Image and Landma
15.COURSERA - Image to translation / Pix2Pix / Pix2Pix Advancements
흑백에서 컬러 이미지로 변환, segmentation map에서 실제 이미지로 변환, video to video, daty to night, edges to photopaired image to imge translation : 지정해준 pose를 수행하게 끔 생성 이
16.COURSERA - Unpaired Image to Image translation / CycleGAN / Applications / UNIT&MUNIT
이제는 두 이미지 간을 매핑시켜 차이점을 찾고, 적용시키는 방안을 진행합니다.예를 들어 paired generation은 아래와 같이 edge를 따서 생성할 수 있습니다.그에 반해 unpaired generation은 말을 얼룩말로 바꾸거나, 아래의 모네 그림을 실제로