Endereço para download da tese: https://arxiv.org/pdf/1610.09585.pdf
1. Quais problemas o artigo resolve principalmente?
Neste artigo, apresentamos um novo método para síntese de imagens, aprimorando a Rede Adversarial Generativa (GAN). Uma variante do GAN que usa ajuste de etiqueta é construída, o que resulta em uma amostra de imagem com resolução de 128 × 128 que mostra consistência geral. O trabalho anterior de avaliação da qualidade da imagem é expandido para fornecer dois novos métodos de análise para avaliar a resolubilidade e a diversidade de amostras do modelo de síntese de imagem condicional à classe. Essas análises indicam que amostras de alta resolução fornecem informações de categoria que não existem em amostras de baixa resolução. Entre as 1000 classes ImageNet, a resolução das amostras resolvíveis de 128 × 128 é mais do que o dobro da das amostras 32 × 32 ajustadas manualmente. Além disso, 84,7% das amostras da categoria são tão diversas quanto os dados reais do ImageNet.
A aplicação do conjunto de dados usando rótulos à rede adversária generativa da GAN pode aprimorar o modelo generativo existente e formar duas idéias de otimização:
1. O cGAN usa informações auxiliares de etiqueta para aprimorar a GAN original e usa dados de etiqueta para treinar o gerador e o discriminador, de modo que o modelo tenha a capacidade de gerar dados de condição específicos.
cGAN: Redes adversas generativas condicionais
Link do artigo: https://arxiv.org/pdf/1411.1784.pdf
