128
правок
Изменения
→Примеры современных моделей
{|
|-valign="top"
|Главная идея этой модели {{---}} использование стробированной свертки, которая позволила добиться хорошего качества вписывания при восстановлении изображения с разными формами испорченных областей. Также можно использовать рисунок пользователя в качестве входных данных.
В данной модели используется вариант генеративно-состязательной сети {{---}} SN-PatchGAN. Дискриминатор этой сети в каждой точке вычисляет кусочно-линейную функцию потерь, формируя таким образом <tex>h \times w \times c</tex> генеративно-состязательных сетей, каждая из которых сосредотачивается на различных частях и свойствах изображения. Генератор, состоящий из двух сетей (грубой и сети повышающей качество изображения), используют модель кодировщик-декодировщик вместо U-Net<ref>[https://arxiv.org/pdf/1505.04597.pdf U-Net: Convolutional Networks for Biomedical Image Segmentation, Olaf Ronneberger, Philipp Fischer, Thomas Brox]</ref>, в которой все слои классической свертки заменены на стробированные.
|[[Файл:DeepFillv2_model.jpeg|thumb|450px300px|Сеть DeepFillv2.]]
|}
{|
|-valign="top"
|SC-FEGAN позволяет производить высококачественные изображения лиц, учитывая передаваемые пользователем эскизы на местах стертых частей изображения. Иными словами пользователь может легко редактировать изображения, стирая фрагменты, которые он хочет изменить, и подставляя туда эскизы, которые будут отражены в генерируемом фрагменте.
Дискриминатор данной сети принимает на вход сгенерированное изображение, маску и рисунок пользователя. Итоговая функция потерь формируется из выхода дискриминатора и функций сравнения изображения с оригинальным (per-pixel loss, perceptual loss, style loss).
|[[Файл:sc-fegan_result.jpg|thumb|350px300px|Пример работы модели SC-FEGAN.]]
|}
----
Также данную модель можно использовать для соединения двух изображений или удаления лишних объектов с фотографий.
|[[Файл:EdgeConnect_sample.jpg|thumb|450px350px|Пример работы модели EdgeConnect.]]
|}
