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 и оригинальные грани объектов в изображении и оригинальными.
<center><tex>L_{adv} = \mathbb{E}[\log D(C_H_{gt}, I_{gray})] + \mathbb{E}[\log (1 - D(C_H_{gen}, I_{gray}))]</tex></center> :<tex>I_{gray}</tex> {{---}} черное белое оригинальное изображение; <tex>H_{gt}</tex> {{---}} грани объектов оригинального изображения; <tex>H_{gen}</tex> {{---}} генерируемые грани; <tex>D</tex> {{---}} дискриминатор; * '''Feature-matching loss'''. Сравнивает изображения по признакам, извлекаемым из всех слоев дискриминатора. <center><tex>L_{FM} = \mathbb{E}[\sum\limits_{i=1}^L \frac{1}{N_i} \|D^{(i)}(H_{gt} - D^{(i)}(H_{gen}))\| ]</tex></center> :<tex>L</tex> {{---}} количество слоев дискриминатора; <tex>N_i</tex> {{---}} число нейронов на <tex>i</tex>-ом слое дискриминатора; <tex>D^{(i)}</tex> {{---}} значения диксриминатора на слое <tex>i</tex>;
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.