使用中の産業の品質管理プロセスとして検出器を、認定製品の多くが、あまり規格外品と形状があります。データセットを高めるために、我々は、規格外の製品の写真をたくさん生成する必要があります。具体的には、私は欠陥のあるマグネットを生成する必要があります。これは、バックグラウンドです。
代替GANによって生成された私の研究そのうちの1つは2つのタスクが、持っていますので、（他は忘れ）これを選択することを躊躇しません。
上司は、このタスクは急いでいないので、私はどのように来てどのように面白いと感じた、と述べました。あなた自身の楽しみ〜楽しみ〜（真のレジャーの作業）でプレイすることが重要です。あなたは使いやすい、それはモジュラー書き、複数のネットワークを試すことができた後。すべての我々は（強く同意する）怠惰な目的としていています。
だから、怠惰のために、私は結果を確認するためにpix2pixを実行していることを発見するつもりです。このフレームワークに基づいて、その後、モジュールに加えて、他のモデルJiuhaola内部。
これまでのところだけpix2pix、cycleGAN（このプロジェクトもはるかに良いため）、非定常テクスチャGAN（ちょうど調節を介してリストに追加し、今日読んで）。ブログを書くために私の情熱を費やすしないようにするために、彼らは非定常テクスチャGANは直接それを書き始めた受け取ります。
1. pix2pix
わずかに
2.非定常テクスチャGAN
現時点では、モデルは、滑らかな質感がすでにたくさんあるが、テクスチャの多くの非定常な性質があり、これらのテクスチャを解決するために問題が発生していないが生成されます。この記事では、非滑らかな質感の生成モデルを提示します。訓練されると、入力テクスチャマップは、モデルは、そのテクスチャを（下記参照）に延びる、サイズに拡張することができます。現時点では、既存のモデルは、この記事の影響よりも良いではありません。（2018年8月に発表された記事）
紙は、（モジュールに私の手書きではない偉大な）コードがcycleGAN改革に基づいており、単にコードを見て、見ていません。
real_A fake_B、次いでreal_B fake_Bによって生成された入力real_A real_BとPix2pixコードと同様に、損失を行います。違いは、次のとおりです。
- 大きなテクスチャマップ、real_Bランダムカット（* 256 256）; real_Bをランダムreal_Aとして（128×128）に切断し、
- 発電機によるreal_A。ここで追加の層を復号するデコンボリューション処理は、元の辺の長さはfake_Bを生成し、倍増しました。
- プラスVGG損失のスタイル。loss_L1（fake_B、real_B）、loss_GAN、loss_styleの合計。
- 質感の唯一のこの種であるマップでのみ実行、全体に。
しかし、幸いなことに、一つだけの磁性材料の質感も、かなりの紙の条件に沿っインチ
- マグネットは、テクスチャ、トレーニングをカット。
- 生成された入力として異なるテクスチャのテスト効果。