Guud ahaan, moodooyinka wax-soo-saarka qoto-dheer sida GANs, VAEs, iyo moodooyinka autoregressive-ka ayaa wax ka qabta dhibaatooyinka isku dhafka sawirka.
Marka la eego tayada sare ee xogta ay abuuraan, shabakadaha adversarial networks (GANs) ayaa helay fiiro gaar ah sanadihii ugu dambeeyay.
Moodooyinka fidintu waa goob kale oo xiiso leh oo daraasadeed oo iskeed isu taagtay. Goobaha sawirka, fiidyaha, iyo jiilka codka labaduba waxay heleen adeegsi badan labadaba.
Qaababka faafinta vs. GANs: Keebaa Natiijooyin Wanaagsan Soo saara? Dabcan, tani waxay keentay dood joogto ah.
Dhismaha xisaabinta ee loo yaqaan GAN, laba shabakadaha neerfaha midba midka kale ayaa lagula dagaallamayaa si loo soo saaro tusaalooyin cusub oo la sameeyay oo xog ah oo gudbin kara xogta dhabta ah.
Moodooyinka faafinta ayaa sii kordhaya oo caan ah tan iyo markii ay bixiyaan xasilloonida tababarka iyo natiijooyinka sare ee soo saarista muusikada iyo sawirada.
Maqaalkani wuxuu si faahfaahsan u dhex mari doonaa qaabka fidinta iyo GANs, iyo sidoo kale sida ay uga duwan yihiin midba midka kale iyo waxyaabo kale oo yar.
Haddaba, waa maxay Shabakadaha Adversarial Generative?
Si loo abuuro xaalado cusub oo macmal ah oo xog ah oo laga yaabo in lagu qaldo xogta dhabta ah, shabakadaha iska soo horjeeda (GANs) waxay shaqaaleeyaan laba shabakadood oo neerfaha waxayna iska horkeenaan midba midka kale (sidaas darteed "cadow" magaca).
Waxa si weyn loogu isticmaalaa hadalka, muqaalka, iyo sawir-abuurka.
Ujeedada GAN waa in la abuuro xog aan hore loo ogaan oo ka timid xog gaar ah. Isku dayga in la qiyaaso qaabka dhabta ah, qaybinta xogta hoose ee aan la aqoonsan ee shaybaarada, ayaa sidaas yeela.
Taas beddelkeeda, shabakadahani waa moodallo qarsoon oo isku dayaya inay bartaan qaybinta tirakoobka gaarka ah.
Habka GAN loo isticmaalo in lagu ogaado sida loo fuliyo ujeeddada ayaa ahayd mid cusub. Dhab ahaantii, waxay soo saaraan xogta iyagoo ciyaaraya ciyaar laba-ciyaaryahan ah si ay u horumariyaan moodal qarsoon.
Waxa soo socda ayaa qeexaya qaabka:
- Takoorka helay awoodda uu ku kala saaro xogta dhabta ah iyo tan been abuurka ah
- koronto dhaliyaha soo qaada habab cusub oo xog lagu abuuro ayaa khiyaanayn kara takoorka.
Takooruhu waxa uu iska dhigayaa shabakad neerfaha ah. Sidaa darteed, koronto-dhaliyuhu wuxuu u baahan yahay inuu abuuro sawir tayo sare leh si uu u khiyaaneeyo.
Xaqiiqda ah in koronto-dhaliyeyaashan aan loo tababarin iyadoo la adeegsanayo qaybinta wax soo saarka ayaa ah farqi weyn oo u dhexeeya moodooyinka autoencoder-ka iyo noocyada kale.
Waxaa jira laba siyaabood oo lagu dumin karo shaqada luminta moodeelka:
- Awoodda lagu qiyaaso haddii takooruhu si sax ah u saadaaliyo xogta dhabta ah
- xogta la soo saaray waxaa si sax ah u saadaaliyay qayb.
Takoorka ugu wanaagsan ee suurtogalka ah, shaqadan khasaaraha waa la yareeyaa:
Moodooyinka guud sidaas darteed waxaa loo malayn karaa inay yihiin moodooyinka yaraynta fogaanta iyo, haddii takooruhu ku habboon yahay, sida yaraynta kala-duwanaanta u dhexeeya qaybinta runta ah iyo la soo saaray.
Dhab ahaantii, kala duwanaansho kala duwan ayaa laga yaabaa in la shaqaaleysiiyo oo ay keenaan hababka tababarka GAN ee kala duwan.
Dhaqdhaqaaqa waxbarashada, oo ay ku jiraan isdhaafsiga u dhexeeya koronto-dhaliye iyo takooraha, ayaa caqabad ku ah in la raaco, in kasta oo ay fududahay in la hagaajiyo shaqada lumin ee GANs.
Sidoo kale ma jiraan wax dammaanad qaad ah oo ah in waxbarashadu isku xidhmi doonto. Natiijo ahaan, tababarka qaabka GAN waa adag tahay, maadaama ay caadi tahay in lagu dhex maro mashaakilaadka sida gradients lumaya iyo qaabka burburka (marka aysan jirin kala duwanaansho muunado la soo saaray).
Hadda, waa waqtigii la heli lahaa Moodooyinka Faafinta
Dhibaatada isku dhafka tababarka ee GANs ayaa wax looga qabtay iyada oo loo marayo horumarinta qaababka faafinta.
Moodooyinkaani waxay u maleynayaan in habka faafintu uu u dhigmo luminta macluumaadka ee ay keentay faragelinta horusocod ah ee buuqa (sanqan gaussian ah ayaa lagu daraa mar kasta oo habka fidinta).
Ujeedada qaabka noocan oo kale ah waa in la go'aamiyo sida buuqu u saameeyo macluumaadka ku jira muunada, ama, si kale loo dhigo, inta macluumaadka ku lumaya fidinta.
Haddii moodalku tan ogaan karo, waa in uu awood u yeesho in uu soo saaro muunaddii asalka ahayd oo uu dib u soo ceshado khasaarihii macluumaadka ee dhacay.
Tan waxaa lagu dhammeeyaa qaab diidmo ah oo faafin ah. Geedi socodka fidinta hore iyo habka faafinta rogan ayaa ka kooban labada tallaabo.
Habka fidinta hore waxa ay ku lug leedahay in si tartiib tartiib ah loogu daro dhawaaqa Gaussian (ie, habka fidinta) ilaa xogta si buuxda u wasakhayso qaylada.
Shabakadda neerfaha ayaa markii dambe loo tababaray iyadoo la adeegsanayo habka faafinta gadaale si loo barto suurtagalnimada qaybinta shuruudda ah ee lagu beddelayo buuqa.
Halkan waxaad ka fahmi kartaa wax badan oo ku saabsan qaabka faafinta.
Model Faafida Vs GANs
Sida qaabka faafinta, GAN-yadu waxay soo saaraan sawirro qaylada.
Qaabku waxa uu ka kooban yahay koronto-dhaliyaha neural network, kaas oo ku bilaabma dhawaqa doorsoome qaboojiye xog leh, sida calaamada fasalka ama codaynta qoraalka.
Natiijadu markaas waa inay noqotaa shay u eg sawirka dhabta ah.
Si loo abuuro jiilalka sawir-qaadista iyo daacadnimada sare, waxaan shaqaaleynaa GAN-yada. Xitaa muuqaallo ka run badan kuwa GAN-yada ayaa la soo saaraa iyadoo la isticmaalayo moodooyinka faafinta.
Qaab ahaan, moodooyinka faafintu waxay aad ugu saxsan yihiin qeexida xaqiiqada.
Halka GAN u qaato qaylada random-ka ah ama doorsoomiyaha qaboojiyaha fasalka oo uu soo saaro muunad dhab ah, moodooyinka faafintu inta badan waa gaabis, soo noqnoqosho, waxayna u baahan yihiin hagitaan badan.
Ma jirto meel aad u badan oo qalad ah marka diidmada si isdaba joog ah loo dabaqo iyada oo ujeedadu tahay in dib loogu soo celiyo sawirka asalka ah ee buuqa.
Isbaaro kasta waxa la sii maraa inta lagu jiro marxalada abuurista, iyo tilaabo kasta, sawirku waxa laga yaabaa in uu helo macluumaad badan oo dheeraad ah.
Ugu Dambeyn
Gabagabadii, cilmi baaris yar oo muhiim ah oo la daabacay kaliya 2020-meeyadii iyo 2021, moodooyinka faafinta ayaa hadda ka sarreyn kara GAN-yada marka loo eego isku-dhafka sawirka.
Sannadkan, OpenAI ayaa bilaabay DALL-E2, qaab wax soo saar muuqaal ah oo u oggolaanaya xirfadlayaasha inay shaqaaleeyaan moodooyinka faafinta.
Inkasta oo GAN-yadu ay yihiin kuwo heer-sare ah, caqabadahoodu waxay ka dhigayaan mid adag in la cabbiro oo loo isticmaalo xaalado cusub.
Si loo gaaro tayada muunad u eg GAN iyadoo la isticmaalayo moodallo ku saleysan suurtagalnimada, shaqo badan ayaa la geliyay.
Leave a Reply