研究文章
基于深残余收缩运动图像去模糊和生成对抗的网络
|
| 模型 |
机制 |
优势 |
缺点 |
适用的场景 |
|
| 氮化镓 |
发电机和鉴频器 |
生成高分辨率图像 |
培训不稳定模式崩溃,消失的梯度 |
生成部分图片 |
| CGAN |
添加额外的信息的输入层生成器和鉴频器 |
有效地限制甘过于自由 |
需要带安全标签的数据时,训练不平衡,生成的图像的质量很低 |
生成指定的目标图像 |
| DCGAN |
结合氮化镓与CNN,使用BN和其他技术来训练模型 |
丰富多样的生成图像 |
生成的图像是低和模型训练的质量是不稳定的 |
生成大多数图像 |
| WGAN |
用瓦瑟斯坦距离代替传统GAN JS分歧 |
防止GAN培训不稳定和模式崩溃 |
不合理的参数设置可以很容易地导致梯度扩散 |
氮化镓模型不收敛和模式崩溃 |
| LSGAN |
使用最小二乘损失函数代替传统的交叉熵损失函数 |
生成高质量的样品 |
培训期间梯度消失或爆炸 |
生成高质量的图像 |
| BigGAN |
扩大的规模模型,使用截断和正交正规化训练 |
模型训练是稳定的,可以产生非常清晰的图像 |
大量的参数和困难的训练 |
适合生成高度清晰的图像 |
|
|
