Tafole ea likateng[Pata][Bontša]
Ka kakaretso, mefuta e tebileng ea tlhahiso e kang li-GAN, VAEs, le mefuta ea autoregressive e sebetsana le mathata a ho kopanya litšoantšo.
Ka lebaka la boleng bo holimo ba data eo ba e thehang, marang-rang a generative adversarial (GANs) a fumane tlhokomelo e ngata lilemong tsa morao tjena.
Mefuta e fapa-fapaneng ke karolo e 'ngoe e tsotehang ea boithuto e itlhommeng pele. Makala a litšoantšo, video, le tlhahiso ea lentsoe ka bobeli a fumane ts'ebeliso e kholo bakeng sa bobeli ba bona.
Mefuta e fapa-fapaneng khahlanong le GANs: Ke Efe e Hlahisang Liphetho tse Betere? Ka tlhaho, sena se lebisitse puisanong e tsoelang pele.
Moahong oa computational o tsejoang ka hore ke GAN, tse peli marangrang a neural li loantšana ho hlahisa mehlala e mecha ea data e ka fetisang data ea 'nete.
Mefuta e fapa-fapaneng e ntse e tsebahala haholo kaha e fana ka botsitso ba koetliso le liphello tse phahameng bakeng sa ho hlahisa 'mino le litšoantšo.
Sengoliloeng sena se tla feta ka mokhoa oa phallo le li-GAN ka botlalo, le hore na li fapana joang le lintho tse ling tse 'maloa.
Joale, Generative Adversarial Networks ke eng?
Bakeng sa ho theha lintlha tse ncha, tsa maiketsetso tsa data tse ka 'nang tsa nkoa ka phoso e le data ea' nete, li-generative adversarial networks (GANs) li sebelisa marang-rang a mabeli a neural 'me a li qabanya (ka hona "mohanyetsi" ka lebitso).
Li sebelisoa haholo bakeng sa puo, video le ho etsa litšoantšo.
Sepheo sa GAN ke ho theha datha tse neng li e-so ka li sibolloa ho tsoa pokellong e itseng. Ho leka ho fana ka mohlala oa kabo ea data ea nnete, e sa tsejoeng e tsoang ho disampole, e etsa sena.
Ntle le moo, marang-rang ana ke mehlala e hlakileng e lekang ho ithuta kabo e itseng ea lipalo.
Mokhoa oo GAN o o sebelisitseng ho fumana mokhoa oa ho fihlela sepheo sena e ne e le oa khale. Ha e le hantle, ba hlahisa data ka ho bapala papali ea libapali tse peli ho hlahisa mohlala o hlakileng.
Se latelang se hlalosa sebopeho:
- Motho ea khethollang ea fumanang bokhoni ba ho khetholla pakeng tsa data ea 'nete le ea bohata
- jenereithara e nkang mekhoa e mecha ea ho bopa data e ka qhekella mokhethoa.
Mokhethoa o iponahatsa e le neural network. Ka hona, jenereithara e hloka ho etsa setšoantšo se nang le boleng bo phahameng ho se qhekella.
Taba ea hore lijenereithara tsena ha lia koetlisoa ho sebelisoa phepelo efe kapa efe ea tlhahiso ke phapang e kholo lipakeng tsa mefuta ea autoencoder le mefuta e meng.
Ho na le mekhoa e 'meli ea ho senya ts'ebetso ea tahlehelo ea mohlala:
- bokhoni ba ho lekanya haeba mokhethoa a bona ka nepo data ea sebele
- data e hlahisoang e boleloa esale pele ka nepo ke karolo.
Ka khetho e ntle ka ho fetisisa e ka khonehang, ts'ebetso ena ea tahlehelo e ea fokotsoa:
Ka hona mefuta e tloaelehileng e ka nkoa e le mehlala ea ho fokotsa sebaka, 'me haeba khethollo e loketse, e le phokotso ea phapang pakeng tsa kabo ea 'nete le e hlahisoang.
Ha e le hantle, liphapang tse fapaneng li ka sebelisoa 'me tsa fella ka mekhoa e fapaneng ea koetliso ea GAN.
Mekhoa ea ho ithuta, e kenyelletsang khoebo pakeng tsa jenereithara le mokhethoa, ke phephetso ho latela, ho sa tsotellehe ho le bonolo ho lokisa mosebetsi oa tahlehelo oa li-GAN.
Hape ha ho na tiisetso ea hore thuto e tla kopana. Ka lebaka leo, ho thata ho koetlisa mohlala oa GAN, kaha ho tloaelehile ho tobana le mathata a kang ho nyamela ha li-gradients le ho putlama ha mokhoa (ha ho se na mefuta-futa lisampoleng tse hlahisitsoeng).
Jwale, ke nako ya Diffusion Models
Bothata ba ho kopana ha lithupelo tsa li-GAN bo se bo rarollotsoe ka nts'etsopele ea mekhoa ea ho hasana.
Mefuta ena e nka hore ts'ebetso ea phallo e lekana le tahlehelo ea tlhahisoleseling e tlisoang ke tšitiso e tsoelang pele ea lerata (lerata la gaussian le eketsoa ka nako e 'ngoe le e 'ngoe ea ts'ebetso ea phallo).
Sepheo sa mohlala o joalo ke ho fumana hore na lerata le ama joang tlhahisoleseding e teng sampuling, kapa, ho e beha ka tsela e 'ngoe, hore na ke boitsebiso bo bokae bo lahlehileng ka lebaka la ho hasana.
Haeba mohlala o ka utloisisa sena, o lokela ho khona ho fumana sampole ea mantlha ebe o etsolla tahlehelo ea tlhahisoleseling e etsahetseng.
Sena se finyelloa ka mokhoa oa ho hasanya denoising. Ts'ebetso ea phallo ea pele le ts'ebetso ea ho fapanyetsana ka morao e etsa mehato e 'meli.
Ts'ebetso ea phallo ea pele e kenyelletsa ho eketsa butle-butle lerata la Gaussian (ke hore, ts'ebetso ea phallo) ho fihlela data e silafalitsoe ke lerata.
Ka mor'a moo, neural network e koetlisetsoa ho sebelisa mokhoa oa ho fapanyetsana ka morao ho ithuta menyetla ea kabo ea maemo ho fetola lerata.
Mona o ka utloisisa ho eketsehileng ka mokhoa oa ho hasanya.
Diffusion Model Vs GANs
Joalo ka mofuta oa phano, li-GAN li hlahisa litšoantšo ho tsoa lerata.
Moetso ona o entsoe ka marang-rang a jenereithara a neural, a qalang ka lerata la mofuta o mong o rutang oa maemo, joalo ka leibole ea sehlopha kapa khouto ea mongolo.
Joale phello e lokela ho ba ntho e tšoanang le setšoantšo sa sebele.
Ho theha meloko ea linepe le tse tšepahalang haholo, re sebelisa li-GAN. Le lipono tsa 'nete ho feta tsa GAN li hlahisoa ho sebelisoa mefuta e fapaneng.
Ka tsela e itseng, mehlala ea phatlalatso e nepahetse haholoanyane ha e hlalosa lintlha.
Le ha GAN e nka lerata le sa reroang kapa mofuta oa boemo ba maemo mme e hlahisa sampole ea sebele, mefuta ea phatlalatso hangata e tsamaea butle, e ipheta-pheta, 'me e hloka tataiso e ngata.
Ha ho na sebaka se ngata sa phoso ha denoising e sebelisoa khafetsa ka sepheo sa ho khutlela setšoantšong sa pele ho tsoa lerata.
Sebaka se seng le se seng sa tlhahlobo se fetisoa nakong eohle ea popo, 'me mohatong o mong le o mong, setšoantšo se ka fumana leseli le eketsehileng.
fihlela qeto e
Qetellong, Ka lebaka la lipatlisiso tse 'maloa tsa bohlokoa tse phatlalalitsoeng feela ka bo-2020 le 2021, mefuta ea phallo joale e ka feta li-GAN ho latela sebopeho sa litšoantšo.
Selemong sena, OpenAI e qalile DALL-E2, mohlala oa tlhahiso ea litšoantšo o lumellang litsebi ho sebelisa mekhoa ea ho hasana.
Leha li-GAN li le maemong a matle, litšitiso tsa tsona li etsa hore ho be thata ho li phahamisa le ho li sebelisa maemong a macha.
E le ho fihlela boleng ba sampole bo kang ba GAN u sebelisa mehlala e thehiloeng ho monyetla, ho entsoe mosebetsi o mongata ho eona.
Leave a Reply