128
правок
Изменения
→Функции потерь
<center><tex>L_{tv} = \sum\limits_{(i,j) \in R}\frac{I_{comp}^{i,j+1} - I_{comp}^{i,j}}{N_{I_{comp}}} + \sum\limits_{(i,j) \in R}\frac{I_{comp}^{i+1,j} - I_{comp}^{i,j}}{N_{I_{comp}}}</tex></center>
* '''Adversarial loss'''. Сравнивает генерируемые ребра объектов в изображении и оригинальными.
<center><tex>L_{adv} = \mathbb{E}[\log D(C_{gt}, I_{gray})] + \mathbb{E}[\log (1 - D(C_{gen}, I_{gray}))]</tex></center>
При обучении обычно используется комбинация функций потерь с некоторыми весами, которые являются гиперпараметрами. В моделях, где вдобавок используется дискриминатор, функция потерь от его выхода также подмешивается к итоговой функции потерь.
