# gan

seryoung

Conditional Generative Model Translate image given condition

cosmicdev

Intro GAN에서 다루고자 하는 모든 데이터는 측정할 때 마다 다른 값을 가지는 확률분포의 랜덤변수이다. 랜덤변수에 대한 확률분포를 안다는 이야기는 데이터에 대한 전부를 이해하고 있는 것과 같다. 다시말해, 확률분포를 알면 그 데이터의 예측 기댓값, 데이터의 분산

qksekf

👩🏻 GAN(Generative adversarial Network) = 생성적 적대 신경망 경쟁을 통해 배운다는 개념의 인공지능 기술 GAN은 머신러닝 분야에서는 최고 아이디어 (generator VS Descriminator) 🔥DCGAN : CNN구조로

wo7864

StyleGAN은 PGGAN(Progressive Growing GAN)을 베이스 아키텍처로 몇가지의 기법을 추가로 적용하여 제안된 모델입니다. PGGAN을 토대로 구성되었기 때문에 1024 해상도의 고화질 이미지를 생성 할 수 있습니다.생성 이미지의 특성이 매우 잘

wo7864

PGGAN 이전의 GAN은 고해상도의 이미지를 생성 할 수 없었습니다.→ 해상도가 높아 질 수록 Discriminator가 가짜와 진짜를 구분하기 쉬워집니다.→ Generated distribution과 Real distribution 사이에 겹치는 구간이 거의 없어지

wo7864

이름 그대로 점진적으로 학습 이미지의 크기를 늘려 나가는 GAN 모델입니다.아래 그림처럼 초기에 4x4 크기의 이미지를 생성하고 판별하는 Generator와 Discriminator를 지정한 Epcoh만큼 학습 한 후, 2배인 8x8 크기의 Layer를 추가하여 생성하

wo7864

기존 GAN에서 Loss 함수를 개선한 것입니다.WGAN의 논문에는 수학과 증명에 관한 내용이 매우 많은데, 일체 제외하고 추상적으로만 설명 하겠습니다.기존 GAN은 Loss 계산해서 Binary cross Entropy를 사용하는데 이는 Kullback-Leibler

wo7864

앞서 설명했던 DCGAN의 구조를 코드를 분석하며 설명합니다.Dataset 준비Model 구조 정의TrainEval의 순서로 진행합니다.get_celeba_data Celeb_A 데이터를 다운로드하고, 적절하게 전처리한 dataset을 반환합니다.keras.prepro

wo7864

DCGAN은 수학적인 접근이나 추론보다는, 무수히 많은 실험을 통해 경험적으로 더 나은 신경망을 제안한 방법입니다. 따라서 수학적인 증명보다는 논문에서 더 나은 구조를 제시한 내용을 바탕으로 설명합니다. 기존의 GAN에 Convolutional Layer를 결합한 구조

wo7864

GAN 논문이 발표 된 이후, GAN을 응용한 여러 논문들이 발표되었습니다. 그 중 GAN의 바로 다음 단계라고 할 수 있으며 다른 수많은 GAN의 기초가 된 DCGAN에 대해서 설명합니다.Deep Convolutional Generative Adversarial Ne

wo7864

이번 실습에서는 이전과 같은 GAN 모델을 훈련하는데, Dataset으로 MNIST 대신 Celeb_a Dataset을 사용합니다. Large-scale CelebFaces Attributes (CelebA) Dataset스크롤을 내려서 아래 다운로드 목록 중, Ali

danielseo

A Style-Based Generator Architecture for Generative Adversarial Networks 논문 리뷰

a01152a

이전 글에서 DCGAN의 논문 리뷰를 했다.논문 읽기 및 구현(1) - DCGAN이번에는 직접 DCGAN을 만들어보고 MNIST 데이터셋으로 학습시킨 후에 SimpleGAN과 비교해 볼 것이다.\_\_init\_\_channels_img : 64 x 64 이미지feat

a01152a

Introduction 논문 읽기 및 구현(1) - GAN 논문 읽기 및 구현(2) - GAN 이전 글에서 GAN의 이론적 내용과 코드 리뷰를 했다. 이번에는 GAN을 활용한 논문을 리뷰해본다. 가장 기본적인 GAN 논문인 DCGAN - Deep Convoluti

sjinu

Example of Generative Model

a01152a

2014년 Ian Goodfellow(.et al)은 Generative Adversarial Networks(줄여서 GAN)라는 생성 모델을 훈련하는 방법을 제시했다.이전글 보러가기 논문 읽기 및 구현(1)- GANGAN은 기본적으로 두 개의 다른 신경망(Genera

chy0428

논문 링크: HereGAN(Generative Adversarial Networks)은 이미지 합성 테스크에서 좋은 성능을 보이지만, 훈련 불안정성과 하이퍼파라미터에 의한 민감성이 높아 여러 데이터셋에 일반화하기 어렵다는 단점이 있다. GAN의 이런 불안정성에 대한 대

khp3927

Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation 논문 리뷰

khp3927

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 논문 리뷰

donggunseo

2021년 8월 13일 Day 10