有條件的GAN
-
- text to image
- image to image
- Patch GAN
- speech enhancement
- video generation
text to image
傳統做法的問題在于會取得很多正确結果的平均,有些會很模糊,有些産生的并不正确。
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiIwczX0xiRGZkRGZ0Xy9GbvNGL2EzXlpXazxSP9EkT1UleONTRE5EM4wmYwhGWhxGZzwEMW1mY1RzRapnTtxkb5ckYplTeMZTTINGMShUYfRHelRHLwEzX39GZhh2css2RkBnVHFmb1clWvB3MaVnRtp1XlBXe0xyayFWbyVGdhd3LcV2Zh1Wa9M3clN2byBXLzN3btg3Pn5GcuETO2MjM0ATM0IzMwEjMwIzLc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
引入GAN之後,我們在圖檔生成裡面加入條件,也會有一些問題
是以,我們需要在判别器的input也加入條件
這個網絡架構有兩種
得到的實驗結果
image to image
輸入幾何圖檔生成真實的圖檔
傳統的做法,和text to image的傳統做法錯誤類似
引入GAN的做法之後
Patch GAN
在判别的時候,當圖檔太大時,效率會很低,可以選擇一塊一塊的進行判斷,但是這個patch的大小也是很重要的
speech enhancement
同時GAN也可以用在語言上面去雜音
傳統的做法
引入GAN之後
video generation
預測電影接下來會發生什麼事情