Изменения

{{В разработке}}Автоматический синтез Автоматическое создание реалистичных высококачественных изображений из текстовых описаний был было бы интересен интересно и довольно полезенполезно, так как имеет множество практических применений., но современные системы искусственного интеллекта все еще далеки от этой цели, так как это является довольно сложной задачей в области компьютерного зрения. Однако в последние годы были разработаны универсальные и мощные рекуррентные архитектуры нейронных сетей для изучения различных представлений текстовых признаков. Между тем, глубокие сверточные '''генеративные состязательные сети''' (англ. [[Generative Adversarial Nets (GAN)|генеративные состязательные сети]] (англ. ''Generative Adversarial Nets, GANs]]'') начали генерировать весьма убедительные изображения определенных категорий, таких как лица, обложки альбомов и интерьеры комнат. Образцы, генерируемые существующими подходами "текст-изображение", могут приблизительно отражать смысл данных описаний, но они не содержат необходимых деталей и ярких частей объекта. Мы рассмотрим глубокую архитектуру В данной статье рассмотрены формулировка и формулировку глубокая архитектура GAN, объединим а также объединены достижения в моделировании текста и генерации изображений, переводя визуальные концепции из символов в пиксели.== GAN ===== Глубокая сверточная генеративная состязательная сеть ==='''Глубокая сверточная генеративная состязательная сеть''' (англ. ''Deep Convolutional Generative Adversarial Network, DCGAN'') {{---}} обусловлена текстовыми признаками, кодируемыми гибридной сверточно-рекуррентнойнейронной сетью на уровне символов. DCGAN имеет эффективную архитектуру и обучающую структуру, которая позволяет синтезировать изображения птиц и цветов из письменных описаний, предоставленных человекомпо тексту.

Для == Обзор генеративных моделей ==Сообщество глубокого обучения такой быстро совершенствует генеративные модели для птиц был использован набор данных Caltech-UCSD<ref name="caltech">. Среди них можно выделить три перспективных типа: [[http://wwwPixelRNN и PixelCNN|авторегрессионные модели]] (англ.vision.caltech.edu/visipedia/CUB-200.html Caltech''Autoregressive model, AR-UCSD Birds 200 dataset]</ref>model''), а для цветов {{---}} Oxford-102<ref name="oxford">[https://www.robots.ox[Вариационный автокодировщик|вариационные автокодировщики]] (англ.ac.uk/~vgg/data/flowers/102/ Oxford Flowers 102 dataset]</ref> наряду с пятью текстовыми описаниями на изображение''Variational Autoencoder, которые были собраны VAE'') и использованы в качестве параметров оценки[[Generative Adversarial Nets (GAN)|генеративные состязательные сети]]. Данная модель обучается на подмножестве обучающих категорий, На данный момент самые качественные изображения генерируют сети GAN (фотореалистичные и здесь будет продемонстрирована ее эффективность как на обучающем множестверазнообразные, так и с убедительными деталями в высоком разрешении). Поэтому в данной статье мы сосредоточимся на тестовоммоделях GAN.

DCGAN во многих случаях может генерировать {| class="wikitable"|+ '''Сравнение моделей'''|-! rowspan=2 | Модель !! colspan=2|Inception Score <ref name="inception"/>!! rowspan=2 | FID <ref name="FID"/> !! rowspan=2 | Разрешение генерируемой картинки !! rowspan=2 | Реализация !!rowspan=2 | Модификация (отличие от GAN)!!rowspan=2 | Пример сгенерированной картинки|-| style = "text-align: center" | [[Известные наборы данных#COCO|COCO]] | style = "text-align: center" | [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]]|-| style = "text-align: center" | [[#Attribute2Image|Attribute2Image, 2015]] | style = "text-align: center" | <tex>14.30 \pm 0.10</tex>| style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>64 \times 64</tex>| style = "text-align: center" | [https://github.com/xcyan/eccv16_attr2img да]| Генерация изображения как смесь переднего и заднего планов на основе текста визуальномногоуровневой генеративной модели.| [[Файл:Attribute2Image-example.png|128px|thumb|center|Male, no eyewear, frowning, receding hairline, bushy eyebrow, eyes open, pointy nose, teeth not visible, rosy cheeks, flushed face.]]|-| style = "text-align: center" | [[#GAN-INT-CLS|GAN-INT-CLS, 2016]] | style = "text-align: center" | <tex>7.88 \pm 0.07</tex>| style = "text-align: center" | <tex>2.88 \pm 0.04</tex>| style = "text-align: center" | <tex>60.62</tex>| style = "text-align: center" | <tex>64 \times 64</tex>| style = "text-align: center" | [https://github.com/soumith/dcgan.torch да]| Обучение на текстовых признаках, кодируемых гибридной сверточно-рекуррентной нейронной сетью.| [[Файл:GAN-INT-CLS-example.png|128px|thumb|center|This flower is white and pink in color, with petals that have veins.]]|-| style = "text-align: center" | [[#StackGAN|StackGAN, 2017]] | style = "text-align: center" | <tex>8.45 \pm 0.03</tex>| style = "text-align: center" | <tex>3.70 \pm 0.04</tex>| style = "text-align: center" | <tex>74.05</tex>| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | [https://github.com/hanzhanggit/StackGAN да]| Генерация изображения происходит в два этапа, на первом этапе создается примитивная форма изображения и задаются цвета объектов, на втором исправляются дефекты предыдущего этапа и добавляются более мелкие детали.| [[Файл:StackGAN-example.png|128px|thumb|center|This flower has a lot of small purple petals in a dome-like configuration.]]|-| style = "text-align: center" | [[#FusedGAN|FusedGAN, 2018]] | style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>3.00 \pm 0.03</tex>| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>64 \times 64</tex>| style = "text-правдоподобные align: center" | нет| Генерация изображения размером ​64×64в два этапа, а также отличается темна первом задаются признаки стиля, что сама модель является генеративной состязательней сетьюна втором генерируется изображение.| [[Файл:FusedGan_256x256_cub.png|128px|thumb|center|This bird has a bright yellow body, with brown on it's crown and wings.]]|-| style = "text-align: center" | [[#ChatPainter|ChatPainter, а не только использует ее 2018]] | style = "text-align: center" | <tex>9.74 \pm 0.02</tex>| style = "text-align: center"| {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | нет| В качестве дополнительных данных для постобработкиобучения используется диалог описания изображения.| [[Файл:ChatPainter_256x256_coco.png|128px|thumb|center|A person in yellow pants in on a snowboard.]]|-| style = "text-align: center" | [[#StackGAN++|StackGAN++, 2018]] | style = "text-align: center" | <tex>8.30 \pm 0.10</tex>| style = "text-align: center" | <tex>3.84 \pm 0.06</tex>| style = "text-align: center" | <tex>81. Текстовые запросы кодируются с помощью текстового кодировщика 59</tex>| style = "text-align: center" | <tex>256 \varphitimes 256</tex>| style = "text-align: center" | [https://github. Описаниеcom/hanzhanggit/StackGAN-v2 да]| Генерация изображений разного масштаба из разных ветвей древовидной структуры, внедренное в которой несколько генераторов разделяют между собой большинство своих параметров.| [[Файл:StackGAN++-example.png|128px|thumb|center|A picture of a very clean living room.]]|-| style = "text-align: center" | [[#HTIS|HTIS, 2018]] | style = "text-align: center" | <tex>11.46 \varphi(t)pm 0.09</tex>| style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | нет| Генерация изображения разбивается на несколько шагов, сначала создается семантический макет из текста, затем этот макет преобразовывается в изображение.| [[Файл:HTIS-example.png|128px|thumb|center|A man is surfing in the ocean with a surfboard.]]|-| style = "text-align: center" | [[#AttnGAN | AttnGAN, 2018]] | style = "text-align: center" | <tex>25.89 \pm 0.47</tex>| style = "text-align: center" | <tex>4.36 \pm 0.03</tex>| style = "text-align: center" | <tex>28.76</tex>| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | [https://github.com/taoxugit/AttnGAN да]| Выделение слов для генерации областей картинки с помощью механизма внимания.| [[Файл:AttnGan_256x256_coco.png|128px|thumb|center|A photo a homemade swirly pasta with broccoli carrots and onions.]]|-| style = "text-align: center" | [[#CVAE&GAN|CVAE&GAN, 2018]] | style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>256 \times 256</tex> | style = "text-align: center" | нет| Разделение переднего и заднего плана, сначала сжимается CVAE генерирует картинку в плохом качестве, после качество повышается с помощью полностью связанного слоя до небольшого размера GAN.| [[Файл:CVAE&GAN_256x256_cub.png|128px|thumb|center|This is a yellow and gray bird with a small beak.]]|-| style = "text-align: center" | [[#MMVR|MMVR, 2018]] | style = "text-align: center" | <tex>8.30 \pm 0.78</tex>| style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | нет| Обучение на изменённом описании картинки.| [[Файл:MMVR_256x256_coco.png|128px|thumb|center|A boat on a beach near some water.]]|-| style = "text-align: center" | [[#MirrorGAN|MirrorGAN, 2019]] | style = "text-align: center" | <tex>26.47 \pm 0.41</tex>| style = "text-align: center" | <tex>4.56 \pm 0.05</tex>| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | [https://github.com/qiaott/MirrorGAN да]| Генерация изображения с использованием идеи обучения посредством переописания.| [[Файл:MirrorGANExample.png|128px|thumb|center|Boats at the dock with a city backdrop.]]|-| style = "text-align: center" | [[#Obj-GAN|Obj-GAN, 2019]] | style = "text-align: center" | <tex>31.01 \pm 0.27</tex>| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>17.03</tex>| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | [https://github.com/jamesli1618/Obj-GAN да]| Основной принцип генерации изображений заключается в распознавании и создании отдельных объектов из заданного текстового описания.| [[Файл:Obj-GANExample.png|128px|thumb|center|A hotel room with one bed and a blue chair.]]|-| style = "text-align: center" | [[#LayoutVAE|LayoutVAE, 2019]] | style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>256 \times 256</tex>| style = "text-align: center" | нет| Генерация стохастических макетов сцен (на практике было использовано 128англ. ''stochastic scene layouts'')из заданного набора слов.| [[Файл:LayoutVAEExample.png|128px|thumb|center|Person, sea, затем применяется функция активации surfboard.]]|-| style = "text-align: center" | [[Практики реализации нейронных сетей#MCA-GAN|Leaky ReLUMCA-GAN, 2019]] и результат конкатенируется с вектором шума | style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | {{---}}| style = "text-align: center" | <tex>z256 \times 256</tex>| style = "text-align: center" | нет| Генерация изображения с произвольных ракурсов, основывающаяся на семантическом отображении (англ. ''semantic mapping'').| [[Файл:MCA-GANExample.png|128px|thumb|center]]|}

<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">= Attribute2Image ===[[Файл:DCGANAttribute2Image-12.png|400px|thumb|altright|Рисунок 3.<ref name="Attribute2Image"/> Пример результата работы Attribute2Image.]]'''Условная генерация изображений из визуальных атрибутов''' (англ. ''Conditional Image Generation from Visual Attributes, Attribute2Image''<ref name=Архитектура DCGAN"Attribute2Image">[https://arxiv.org/abs/1512.00570 Xinchen Y. {{---}} Conditional Image Generation from Visual Attributes, 2015]</ref>) моделирует изображение как смесь переднего и заднего планов и разрабатывает многоуровневую генеративную модель с выделенными скрытыми переменными (рис. 4), которые можно изучать от начала до конца с помощью [[Вариационный автокодировщик|x350pxвариационного автокодировщика]] (англ. ''Variational Autoencoder, VAE''). Экспериментируя с естественными изображениями лиц и птиц на наборах данных [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|center|Архитектура DCGANCaltech-UCSD]]<и [http://vis-www.cs.umass.edu/div>lfw LFW] Attribute2Image демонстрирует, что способен генерировать реалистичные и разнообразные изображения размером 64x64 пикселя с распутанными скрытыми представлениями (англ. ''disentangled latent representations'') {{---}} это состояние, в котором каждый фактор приобретается как каждый элемент скрытых переменных, то есть если в модели с обученными скрытыми представлениями смещение одной скрытой переменной при сохранении других фиксированными генерирует данные, показывающие, что изменяется только соответствующий фактор. (рис. 3). Таким образом, изученные генеративные модели показывают отличные количественные и визуальные результаты в задачах реконструкции и завершения изображения, обусловленного атрибутами.

Как только модель научилась генерировать правдоподобные изображения, она должна также научиться согласовывать их с текстовым описанием и было бы неплохо если она научится оценивать, соответствуют ли изображенияэтому описанию или нет. Модель должна неявно разделять два источника ошибок<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл: нереалистичные образы (для любого текста)и реалистичные образы неправильного класса, которые не соответствуют текстовым признакамAttribute2Image-1. Алгоритм обучения GAN был модифицирован таким образом, чтобы разделять эти источники ошибокpng|thumb|alt=Архитектура Attribute2Image|x350px|center|Рисунок 4. В дополнение к реальным<ref name="Attribute2Image"/поддельным входным данным в дискриминатор во время обучения был добавлен третий тип входных данных, состоящий из реальных изображений с несовпадающим текстовым описанием, на которых дискриминатор должен обучиться оценивать поддельные> Архитектура Attribute2Image.]]</div>

<gallery mode="slideshow" caption="Пример результата работы DCGAN">Файл:DCGAN= GAN-2.png||alt=Сгенерированные изображения птицФайл:DCGANINT-3.png||alt=Сгенерированные изображения цветов</gallery> === Условная генерация изображений из визуальных атрибутов CLS ===[[Файл: Attribute2Image-2.png|400px|thumb|right|Пример результата работы Attribute2Image]]'''Условная генерация изображений из визуальных атрибутовГлубокая сверточная генеративная состязательная сеть''' (англ. ''Conditional Image Generation from Visual AttributesDeep Convolutional Generative Adversarial Network, Attribute2ImageDCGAN'') {{---}} это еще один способ создания изображений из визуальных атрибутовобусловлена текстовыми признаками, кодируемыми гибридной сверточно-рекуррентнойнейронной сетью на уровне символов. Attribute2Image моделирует изображение как смесь переднего и заднего планов и разрабатывает многоуровневую генеративную модель с выделенными скрытыми переменными, которые можно изучать от начала до конца с помощью вариационного автокодировщикаDCGAN имеет эффективную архитектуру (рис. Экспериментируя с естественными изображениями лиц 1) и птиц Attribute2|Image демонстрируетобучающую структуру, что способен генерировать реалистичные и разнообразные которая позволяет синтезировать изображения с распутанными скрытыми представлениями. Модель использует общий алгоритм минимизации энергии для апостериорного вывода скрытых переменных с учетом новых изображений. Таким образом, изученные генеративные модели показывают отличные количественные птиц и визуальные результаты в задачах реконструкции и завершения изображения, обусловленного атрибутамицветов из текстовых описаний.

<div class="ooДля обучения такой модели для птиц был использован набор данных [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-uiUCSD]], а для цветов {{-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">}} [[Файл:Attribute2ImageИзвестные наборы данных#102 Category Flower|Oxford-1.png|thumb|alt=Архитектура Attribute2Image|x350px|center|Архитектура Attribute2Image102]]</div>. Наряду с этим было собрано по пять текстовых описаний на изображение, которые были использованы в качестве параметров оценки.

=== Составные генеративные состязательные сети ==='''Составные генеративные состязательные сети''' (англ. ''Stacked Generative Adversarial NetworksDCGAN во многих случаях может генерировать на основе текста визуально-правдоподобные изображения размером ​64×64 пикселя, StackGAN'') {{---}} служат для генерации фотореалистичный изображений размера 256x256а также отличается тем, заданных текстовыми описаниямичто сама модель является генеративной состязательней сетью, где трудная задача разлагается на более решаемые подзадачи а не только использует ее для постобработки. Текстовые запросы кодируются с помощью процесса эскиз-уточнения текстового кодировщика <tex>\varphi</tex>, который позволяет получить [[Векторное представление слов|векторное представление слов]]. Затем применяется концепция [[Generative Adversarial Nets (GAN)#CGAN (Conditional Generative Adversarial Nets)|условной генеративной состязательной сети]] (англ. ''sketch-refinement processConditional Generative Adversarial Network, CGAN''). Таким образом, Stage-I GAN рисует примитивную форму и цвета объекта на основе данного текстового описанияописание, получая изображения Stage-I с низким разрешением. Stage-II GAN принимает результаты Stage-I и текстовые описания в качестве входных данных и генерирует изображения высокого разрешения с фотореалистичными деталями. Он способен исправлять дефекты внедренное в результатах этапа I и добавлять привлекательные детали в процессе уточнения <tex>\varphi(англ. ''refinement process''t). Чтобы улучшить разнообразие синтезированных изображений и стабилизировать обучение CGAN вводится техника условно-когнитивной регуляции </tex> сначала сжимается с помощью полностью связанного слоя до небольшого размера (англ. ''Conditioning Augmentation''на практике было использовано 128), которая способствует плавности в обусловливающем многообразиизатем применяется функция активации [[Практики реализации нейронных сетей|Leaky ReLU]] и результат конкатенируется с вектором шума <tex>z</tex>.

Вклад предлагаемого метода состоит из трех частей<div class="oo-ui-panelLayout-scrollable" style="display:* Мы предлагаем новую составную генеративную состязательную сеть для синтеза фотореалистичных изображений из текстовых описанийblock; vertical-align:middle; height: auto; width: auto;">[[Файл:DCGAN-1.png|thumb|alt=Рисунок 1. Архитектура DCGAN. Он разбивает сложную задачу генерации изображений с высоким разрешением на более решаемые подзадачи и значительно улучшает состояние дел|x350px|center|Рисунок 1. StackGAN впервые генерирует изображения с разрешением 256х256 пикселей с фотореалистичными деталями из текстовых описаний<ref name="DCGAN">[https://arxiv.* Предлагается техника Condition Augmentation для стабилизации обучения CGAN, а также для улучшения разнообразия генерируемых выборокorg/abs/1605.05396 Scott R.* Обширные качественные и количественные эксперименты демонстрируют эффективность дизайна модели в целом, а также влияние отдельных компонентов{{---}} Generative Adversarial Text to Image Synthesis, которые предоставляют полезную информацию для разработки будущих условных моделей GAN2016]</ref> Архитектура DCGAN.]]</div>

<div class="oo-ui-panelLayout-scrollable" style="displayКак только модель научилась генерировать правдоподобные изображения (рис. 2), она должна также научиться согласовывать их с текстовым описанием, и было бы неплохо, если бы она научилась оценивать, соответствуют ли изображениязаданному описанию или нет. Модель должна неявно разделять два источника ошибок: block; vertical-align:middle; height: auto; width: auto;">[[Файл:StackGAN-1нереалистичные образы (для любого текста) и реалистичные образы неправильного класса, которые не соответствуют текстовым признакам. Алгоритм обучения GAN был модифицирован таким образом, чтобы разделять эти источники ошибок.png|thumb|alt=Архитектура StackGAN|x350px|center|Архитектура StackGAN]]<В дополнение к реальным/div>поддельным входным данным в дискриминатор во время обучения был добавлен третий тип входных данных, состоящий из реальных изображений с несовпадающим текстовым описанием, на которых дискриминатор должен обучиться оценивать поддельные изображения.

Генератор Stage<gallery mode=packed heights=400px caption="Рисунок 2. Пример результата работы GAN-CLS, GAN-II мы проектируем как сеть кодерINT и GAN-декодер с остаточными блокамиINT-CLS. Что касается дискриминатора, его структура аналогична структуре дискриминатора Stage">Файл:DCGAN-2.png|Сгенерированные изображения птиц<ref name="DCGAN"/>.|alt=Сгенерированные изображения птицФайл:DCGAN-I только с дополнительными блоками понижающей дискретизации, поскольку на этом этапе размер 3.png|Сгенерированные изображения большецветов<ref name="DCGAN"/>.|alt=Сгенерированные изображения цветов</gallery>

Для проверки метода были проведены обширные количественные и качественные оценки=== StackGAN ==='''Составные генеративные состязательные сети''' (англ. Сравниваются два современных метода синтеза текста в изображение''Stacked Generative Adversarial Networks, GAN-INT-CLSStackGAN''<ref name="scott"StackGAN>[httphttps://proceedingsarxiv.mlr.pressorg/v48abs/reed161612.03242 Han Z.pdf Scott R, Tao X. {{---}} Generative Adversarial Text to Photo-realistic Image Synthesiswith Stacked Generative Adversarial Networks, 2017]</ref> ) служат для генерации фотореалистичных изображений размера 256x256, заданных текстовыми описаниями. В данной модели трудная задача генерации изображения разлагается на более мелкие подзадачи с помощью процесса эскиз-уточнения (англ. ''sketch-refinement process''). Таким образом, Stage-I GAN рисует примитивную форму и GAWWN<ref name="scott"/>цвета объекта на основе данного текстового описания, получая изображения Stage-I с низким разрешением (рис. 5). Stage-II GAN принимает результаты Stage-I и текстовые описания в качестве входных данных и генерирует изображения высокого разрешения с фотореалистичными деталями. Он способен исправлять дефекты в результатах этапа I и добавлять более мелкие детали в процессе уточнения (англ. ''refinement process''). Чтобы улучшить разнообразие синтезированных изображений и стабилизировать обучение [[Generative Adversarial Nets (GAN)#CGAN (Conditional Generative Adversarial Nets)|CGAN]], вводится техника условно-когнитивной регуляции (англ. ''Conditioning Augmentation''), которая способствует плавности в обусловливающем многообразии.

<gallery modediv class="slideshowoo-ui-panelLayout-scrollable" captionstyle="Пример результата работы StackGANdisplay: block; vertical-align:middle; height: auto; width: auto;">[[Файл:StackGAN-21.png|thumb|alt=Сгенерированные изображения птицФайл:Архитектура StackGAN-3.png|x350px|center|altРисунок 5.<ref name=Сгенерированные изображения цветов<"StackGAN/gallery> === Реалистичный синтез изображений с помощью составных генеративных состязательных сетей ===Хотя генерирующие состязательные сети (GAN) показали замечательный успех в различных задачах, они все еще сталкиваются с проблемами при создании изображений высокого качества. В данном разделе предлагаются составные генеративные состязательные сети, предназначенные для создания фотореалистичных изображений с высоким разрешением. Во-первых, предлагается двухэтапная генеративная состязательная сетевая архитектура Архитектура StackGAN-v1 для синтеза текста в изображение. Stage-I по-прежнему рисует примитивную форму и цвета сцены на основе заданного текстового описания, что дает изображения с низким разрешением. Stage-II все также принимает результаты этапа I и текстовое описание в качестве входных данных и генерирует изображения высокого разрешения с фотореалистичными деталями. Во-вторых, усовершенствованная многоэтапная генеративно-состязательная сетевая архитектура StackGAN-v2 предлагается как для условных, так и для безусловных генеративных задач. StackGAN-v2 состоит из нескольких генераторов и нескольких дискриминаторов, организованных в древовидную структуру; изображения в нескольких масштабах, соответствующие одной и той же сцене, генерируются из разных ветвей дерева. StackGAN-v2 демонстрирует более стабильное поведение при обучении, чем StackGAN-v1, за счет совместной аппроксимации нескольких распределений.]]</div>

Несмотря на успех, GAN, как известно, сложно обучитьВклад предлагаемого метода состоит в следующем:* Предлагается новая составная генеративная состязательная сеть для синтеза фотореалистичных изображений из текстовых описаний. Тренировочный процесс обычно нестабилен и чувствителен к выбору гиперпараметров. В нескольких статьях утверждалось, что нестабильность частично связана Он разбивает сложную задачу генерации изображений с несвязными носителями распределения данных высоким разрешением на более мелкие подзадачи и подразумеваемого модельного распределениязначительно улучшает состояние дел. Эта проблема становится более серьезной при обучении GAN генерировать StackGAN впервые генерирует изображения с высоким разрешением 256х256 пикселей с фотореалистичными деталями из текстовых описаний.* Предлагается техника Condition Augmentation для стабилизации обучения [[Generative Adversarial Nets (например, 256x256GAN)#CGAN (Conditional Generative Adversarial Nets), потому что вероятность очень мала для распределения изображений|CGAN]], а распределение модели также для совместного использования поддерживает в многомерном пространстве. Более того, обычным явлением сбоя при обучении GAN является свертывание режима, когда многие из сгенерированных улучшения разнообразия генерируемых выборок содержат одинаковый цвет или узор текстуры. Чтобы стабилизировать процесс обучения GAN * Обширные качественные и улучшить разнообразие выборокколичественные эксперименты демонстрируют эффективность дизайна модели в целом, несколько методов пытались решить проблемыа также влияние отдельных компонентов, предлагая новые сетевые архитектуры, вводя эвристические приемы или изменяя цели обучениякоторые предоставляют полезную информацию для разработки будущих условных моделей GAN.

Предлагается продвинутая многоэтапная генеративноГенератор Stage-состязательная сетевая архитектура StackGANII проектируется как сеть кодировщик-v2 как для условных, так и для безусловных генеративных задачдекодировщик с остаточными блоками. StackGAN-v2 имеет несколько генераторовЧто касается дискриминатора, которые разделяют большинство своих параметров в древовидной его структура аналогична структуре. входные данные сети можно рассматривать как корень дерева, а многомасштабные изображения генерируются из разных ветвей дерева. Конечная цель генератора на самой глубокой ветви дискриминатора Stage- создание фотореалистичных изображений I только с высоким разрешением. Генераторы в промежуточных ветвях имеют прогрессивную цель создания изображений от малых до больших для достижения конечной цели. Вся сеть совместно обучается аппроксимировать различныедополнительными блоками понижающей дискретизации, но сильно взаимосвязанные распределения изображений в разных ветвях. Кроме того, предлагается термин регуляризации согласованности цвета, чтобы генераторы могли генерировать более согласованные образцы для разных масштабовпоскольку на этом этапе размер изображения больше.

<div {| class="oowikitable"|+ '''Inception scores для сгенерированных изображений в тестовых наборах [[Известные наборы данных#Caltech-uiUCSD Birds 200 (CUB)|Caltech-panelLayoutUCSD]], [[Известные наборы данных#102 Category Flower|Oxford-scrollable102]] и [[Известные наборы данных#COCO|COCO]]'''|-! Набор данных !! Inception Score <ref name=" inception"/>|-| style="displaytext-align: block; verticalright" | [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]] || style = "text-align:middle; height: auto; widthcenter" | <tex>3.70 \pm 0.04</tex>|-| style = "text-align: auto;right">| [[ФайлИзвестные наборы данных#102 Category Flower|Oxford-102]] || style = "text-align:StackGAN++-1center" | <tex>3.20 \pm 0.png01</tex> |thumb-|altstyle =Архитектура StackGAN++"text-align: right" | [[Известные наборы данных#COCO|COCO]]|x350px|style = "text-align: center" |Архитектура StackGAN++]]<tex>8.45 \pm 0.03</divtex>|}

На основе этих генеративных моделей также изучалась условная генерация изображенийДля проверки метода были проведены обширные количественные и качественные оценки. В большинстве методов используются простые условные переменные, такие как атрибуты или метки классов. Существуют также Результаты работы модели сравниваются с изображениями для создания изображений, включая редактирование фотографий, перенос домена и сверхвысокое разрешение. Однако методы сверхвысокого разрешения могут добавлять только ограниченное количество деталей к изображениям с низким разрешением и не могут исправить большие дефекты.=== Some Name Here (Inferring Semantic Layout for Hierarchical Textдвумя современными методами синтеза текста в изображение {{--to-Image Synthesis) ====== AttnGAN ===Последние разработки исследователей в области автоматического создания изображений по текстовому описанию, основаны на }} [[Generative Adversarial Nets (#GAN)-INT-CLS|генеративных состязательных сетях (GANs)GAN-INT-CLS]].Общепринятый подход заключается в кодировании всего текстового описания в глобальное векторное пространство предложений (англ. global sentence vector). Такой подход демонстрирует ряд впечатляющих результатов, но у него есть главные недостатки: отсутствие чёткой детализации на уровне слов и невозможность генерации изображений высокого разрешения. Эта проблема становится еще более серьезной при генерации сложных кадров, таких как в наборе данных COCO<ref name="COCO">[https://cocodataset[#GAN-INT-CLS|GAWWN]] (рис.org COCO dataset (Common Objects in Context6)]</ref>.

В качестве решения данной проблемы была предложена<refgallery mode=packed heights=350px caption="Рисунок 6. Пример результата работы StackGAN.">[httpsФайл://openaccessStackGAN-2.thecvf.compng|Сгенерированные изображения птиц<ref name="StackGAN/content_cvpr_2018/papers/Xu_AttnGAN_Fine-Grained_Text_CVPR_2018_paper>.pdf Tao X., Pengchuan Z. {{---}} AttnGAN|alt=Сгенерированные изображения птицФайл: FineStackGAN-Grained Text to Image Generationwith Attentional Generative Adversarial Networks, 2018] 3.png|Сгенерированные изображения цветов<ref name="StackGAN/ref> новая [[Generative Adversarial Nets (GAN).|генеративно-состязательная нейросеть]] с вниманием (англ. Attentional Generative Adversarial Network, AttnGAN), которая относится к вниманию как к фактору обучения, что позволяет выделять слова для генерации фрагментов alt=Сгенерированные изображения.цветов</gallery>

=== FusedGAN ===Для улучшения генерации изображений по описанию и получения контролируемой выборки, некоторые модели разделяют процесс генерации на несколько этапов. Например, в модели [[#Attribute2Image|Attribute2Image]] раздельная генерации фона и переднего плана позволила получить контролируемую выборку (фиксируя фон и меняя основную сцену, и наоборот). В свою очередь модель FusedGAN<div classref name="ooFusedGAN">[https://arxiv.org/abs/1801.05551 Navaneeth B., Gang H. {{-ui-panelLayout-scrollable" style="display: block; vertical}} Semi-align:middle; height: auto; width: auto;"supervised FusedGAN for ConditionalImage Generation, 2018]</ref>может выполнять контролируемую выборку различных изображений с очень высокой точностью, что так же достигается путём разбиения процесса генерации изображений на этапы. В данной модели в отличие от [[Файл:AttnGanNetwork.png#StackGAN|thumb|alt=Архитектура AttnGAN|x350pxStackGAN]], где несколько этапов [[Generative Adversarial Nets (GAN)|center|Архитектура AttnGANGAN]]</div>обучаются отдельно с полным контролем помеченных промежуточных изображений, FusedGAN имеет одноступенчатый конвейер со встроенным StackGAN.

Модель состоит из нескольких взаимодействующих нейросетей<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:FusedGAN.png|thumb|alt=Архитектура FusedGAN|x350px|center|Рисунок 19.<ref name="FusedGAN"/> Архитектура FusedGAN]]</div>*Энкодер текста (англКонтролируемая выборка относится к процессу выборки изображений путем изменения таких факторов как стиль, фон и другие детали. Text Encoder) и Например, можно генерировать разные изображения (англ. Image Encoder) векторизуют исходное текстовое описания и реальные , оставляя постоянным фон, или генерировать изображенияв различных стилях, сохраняя остальной контекст неизменным. В данном случае текст рассматривается Основное преимущество данной модели состоит в виде последовательности отдельных словтом, представление которых обрабатывается совместно с представлением изображениячто для обучения она может использовать полу-размеченные данные. Это означает, что позволяет сопоставить отдельные слова отдельным частям помимо размеченных данных (изображение и его описание) для генерации изображений, модель может использовать изображениябез текстового описания. Таким образом реализуется механизм внимания Модель состоит из двух взаимосвязанных этапов (рис. 19): * На первом этапе с помощью [[Generative Adversarial Nets (англGAN)| GAN]] выполняется генерация изображений из случайного вектора, а также создаются признаки для стиля, в котором будет оформлено сгенерированное изображение на втором шаге. Deep Attentional Multimodal Similarity Model* На втором этапе [[Generative Adversarial Nets (GAN)#CGAN (Conditional Generative Adversarial Nets)|CGAN]] генерирует окончательное изображение (то есть изображение, DAMSMсоответствующее описанию и стилю заданному на первом шаге), используя в качестве входных данных текстовое описание и данные полученные с первого шага.*<mathtex>F^М_{cas}</mathtex> {{---}} создает сжатое представление об общей сцене выступает в роли шаблона подавая дополнительные признаки на изображениивторой шаг генерации. Вследствие чего изображения сгенерированных птиц не только соответствуют описанию, исходя из всего текстового описанияно также сохраняют информацию о стиле. Значение Поэтому вместо того, чтобы учиться с нуля, <tex>CG_{c}</tex> на выходе конкатенируется с вектором из нормального распределения строится поверх <tex>ZМ_{s}</tex>, который задает вариативность сценыдобавляя к нему стили с помощью текстового описания. Эта информация является основой для работы генератораСледует отметить, что в модели отсутствует явная иерархия, поэтому оба этапа могут обучаться одновременно, используя альтернативный метод оптимизации.*Attentional Generative Network {{<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-}} самая большая сеть, состоящая из трех уровнейalign:middle; height: auto; width: auto;">[[ Файл:FusedGAN_ example.png|thumb| alt=Пример работы FusedGAN|x350px|center|Рисунок 20. Каждый уровень порождает изображения все большего разрешения<ref name="FusedGAN"/> Сравнение FusedGAN с другими моделями]]</div>Для оценки качества генерируемых изображений с помощью FusedGAN, от 64x64 до 256x256 пикселейбыли отобраны 30 тысяч изображений и посчитано inception scores, и результат работы используя предварительно обученную модель на каждом уровне корректируется с помощью сетей внимания тестовом наборе [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]]. Данные сравнения приведены в таблице.{| class="wikitable"|-! Модель !! Inception Score <ref name="inception"/>|-| style = "text-align: right" | [[#GAN-INT-CLS|GAN-INT-CLS]] || style = "text-align: center" | <tex>2.88 \pm 0.04</tex>|-| style = "text-align: right" | [[#StackGAN++|StackGAN-I]] || style = "text-align: center" | <mathtex>F^{attn}2.95 \pm 0.02</mathtex>, которые несут в себе информацию о правильном расположении отдельных объектов сцены |-| style = "text-align: right" | FusedGAN || style = "text-align: center" | <tex>3. Кроме того, результаты на каждом уровне проверяются тремя отдельно работающими дискриминаторами, которые оценивают реалистичность изображения и соответствие его общему представлению о сцене00 \pm 0.03</tex>|}

Благодаря модификациям нейросеть AttnGAN показывает значительно лучшие результаты=== ChatPainter ===В предыдущих и последующих моделях для создания изображений используются текстовые описания. Однако они могут быть недостаточно информативными, чтобы охватить все представленные изображения, чем традиционные системы GANи модели будет недостаточно данных для того чтобы сопоставить объекты на изображениях со словами в описании. В частности, максимальный из известных показателей inception scoreПоэтому в качестве дополнительных данных в модели ChatPainter предлагается<refname="ChatPainter">[https://arxiv.org/abs/18011802.08216 Shikhar S.01973 A Note on the Inception Score, Dendi S. {{---}} ChatPainter: Improving Text to Image Generation using Dialogue, 2018]</ref> для существующих нейросетей улучшен на 14использовать диалоги,14% которые дополнительно описывают сцены (с 3,82 до 4,36пример рис. 16) на наборе данных Caltech-UCSD. Это приводит к значительному улучшению Inception score<ref name="caltechinception"/> и улучшен на целых 170,25% качества генерируемых изображений в наборе данных [[Известные наборы данных#COCO|MS COCO (Microsoft COCO dataset)]]. Для создания нового набора данных с 9диалогами,58 до 25были объединены описания представленные в наборе данных [[Известные наборы данных#COCO|MS COCO]],89с данными из Visual Dialog dataset (VisDial)<ref>[https://paperswithcodearxiv.comorg/abs/sota1611.08669 Visual Dialog]</textref>.<div class="oo-toui-imagepanelLayout-generationscrollable" style="display: block; vertical-onalign:middle; height: auto; width: auto;">[[Файл: ChatPainter.png|thumb| alt=Архитектура ChatPainter|x350px|center|Рисунок 15.<ref name="ChatPainter"/> Архитектура ChatPainter: <ol style="list-coco Test results {{style-type:lower--}} Text-to-Image Generation on COCO]alpha"> <li>Этап 1: модель генерирует изображение 64×64, по описанию и диалогу. </refli> <li> Этап 2: модель генерирует изображение размером 256×256, на более сложном наборе данных COCOоснове изображения сгенерированного на 1 этапе, а также описанию и диалогу </li></ol>]]<ref name="COCO" /div>.

<gallery mode="slideshow" caption="Пример результата работы AttnGAN">[[Файл:Attngan_birdSurfBoard-questions.png|Во второй и третьей строке приведены по 5 наиболее используемых слов сетями внимания <math>F_{1}^{attn}</math> и <math>F_{2}^{attn}</math> соответственно|alt=Сгенерированная красная птичкаФайл:Attngan_coco.pngИзображение, сгенерированное моделью ChatPainter для данного описания и диалога|Во второй и третьей строке приведены по 5 наиболее используемых слов сетями внимания <math>F_{1}^{attn}</math> и <math>F_{2}^{attn}</math> соответственноthumb|alt=Сгенерированная едаФайл:Attngan_fruit.pngx200px|Во второй и третьей строке приведены по 5 наиболее используемых слов сетями внимания <math>F_{1}^{attn}</math> и <math>F_{2}^{attn}</math> соответственноright|alt=Сгенерированные фрукты</gallery> === Stacking VAE and GAN ===Большинство существующих методов генерации изображения по тексту нацелены на создание целостных изображений, которые не разделяют передний и задний план изображений, в результате чего объекты искажаются фоном. Более того, они обычно игнорируют взаимодополняемость различных видов генеративных моделейРисунок 16. Данное решение<ref>[https://ieeexplore.ieee.org/document/8499439 Chenrui Z., Yuxin P. {{---}} Stacking VAE and GAN for Context-awareText-to-Image Generation, 2018]<name="ChatPainter"/ref> предлагает контекстно-зависимый подход к генерации изображения, который разделяет фон и передний план. Для этого используется взаимодополняющая связка [[Вариационный автокодировщик| вариационного автокодировщика (англПример работы ChatPainter. Variational Autoencoder, VAE)]] и [[Generative Adversarial Nets (GAN)|генеративно-состязательной нейросети]].

<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">Данная архитектура (рис. 15) опирается на модель [[Файл:Stacking_VAE&GAN.png|thumb|alt=Архитектура Stacking VAE and GAN|x350px#StackGAN|center|Архитектура Stacking VAE and GANStackGAN]]</div>. StackGAN генерирует изображение в два этапа: на первом этапе генерируется грубое изображение 64×64, а на втором генерируется уже улучшенное изображение 256×256.

[[Вариационный автокодировщик| VAE]] считается более устойчивым чем GAN, это можно использовать для достоверной подборки распределения и выявления разнообразия исходного изображения. Однако он не подходит для генерации изображений высокого качества, т. к. генерируемые VAE изображения легко размываются. Чтобы исправить данный недостаток архитектура включает два компонента:*Контекстно-зависимый вариационный кодировщик (англ. conditional [[Вариационный автокодировщик| VAE]], CVAE) используется для захвата основной компоновки и цвета, разделяя фон и передний план изображения.*[[Generative Adversarial Nets (GAN)|GAN]] уточняет вывод CVAE Формирование вектора текстовых описаний <tex>\phi_{t}</tex> происходит путем кодирования подписей с помощью состязательного обучения, которое восстанавливает потерянные детали и исправляет дефекты для создания реалистичного изображения. Полученные результаты проверки на 2 наборах данных (Caltech-UCSDпредварительно обученного кодировщика<ref name="caltech">[https://github.com/reedscot/> и Oxfordicml2016 Pre-102trained encoder for ICML 2016 paper]</ref name="oxford"/>) эмпирически подтверждают эффективность предложенного метода.Для генерации диалоговых вложений <gallery mode="slideshow" caption="Сравнение CVAE&GAN, StackGan и GAN-INT-CLS "tex>Файл:CVAE&GAN_example_flowers.png||alt=Пример результата работы CVAE&GAN (flowers)Файл:CVAE&GAN_example_bird.png|Сверху вниз начиная со второй строки: CVAE&GAN, StackGAN, GAN-INT-CLS|alt=Пример результата работы CVAE&GAN (birds)\zeta_{d}</gallerytex> используется два метода:

=== ChatPainter ===В предыдущих и последующих моделях для создания изображений используются текстовые описания. Однако они могут быть недостаточно информативными, чтобы охватить все представленные изображения, и модели будет недостаточно данных для того чтобы сопоставить объекты на изображениях со словами в описании. Поэтому в качестве дополнительных данных предлагается использовать диалоги, которые дополнительно описывают сцены. Это приводит к значительному улучшению inception score и качества генерируемых изображений в наборе данных MS COCO *Рекурсивный кодировщик {{---}} генерирует Skip-Thought векторы (Microsoft COCO dataset)<ref name="MSCOCO">[https://wwwангл.microsoft.com/en-us/research/wp''Skip-content/uploads/2014/09/LinECCV14coco.pdf Microsoft COCO]</ref>. Для создания нового набора данных с диалогами, были объединены описания представленные в наборе данных MS COCO<ref name="MSCOCO" />, с данными из Visual Dialog dataset (VisDialThought Vectors'')<ref>[https://arxiv.org/abs/16111506.08669 Visual Dialog06726 Skip-Thought Vectors]</ref>.<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">для каждого сообщения в диалоге, а затем кодирует их двунаправленной [[Файл: ChatPainter.pngРекуррентные нейронные сети|thumbрекуррентной нейронной сетью]] c [[Долгая краткосрочная память| alt=Архитектура ChatPainter|x350px|center| Архитектура ChatPainter: <ol style="list-style-type:lower-alpha"> <li>Этап 1: модель генерирует изображение 64×64, по описанию и диалогу. </li> <li>Этап 2: модель генерирует изображение размером 256×256, на основе изображения сгенерированного на 1 этапе, а также описанию и диалогу </li></ol>LSTM]]</div>.

[[Файл:SurfBoard-questionsЗатем выходы описаний и диалогов объединяются и передаются в качестве входных данных в модуль аугментации данных (англ.png|alt=Изображение''Conditioning Augmentation, сгенерированное моделью ChatPainter CA''). Модуль CA нужен для данного описания получения скрытых условных переменных, которые передаются на вход генератору.Архитектура блоков (рис. 15) upsample, downsample и residual blocks сохраняется такой же, как и диалога|thumb|x200px|right|Пример работы ChatPainter]]у исходного StackGAN

Данная архитектура (смРезультаты тестирования и сравнение модели ChatPainter с другими приведены в таблице. рис) опирается на Из неё видно, что модель ChatPainter, которая получает дополнительную диалоговую информацию, имеет более высокий Inception score<ref name="inception"/>, в отличии от модели [[#StackGAN|StackGAN]]. StackGAN генерирует изображение Кроме того, рекурсивная версия ChatPainter получилась лучше, чем нерекурсивная версия. Вероятно, это связано с тем, что в нерекурсивной версии кодировщик не обучается на длинных предложениях сворачивая весь диалог в два этапа: Stage-I генерирует грубое изображение 64×64, а Stage-II генерирует улучшенное изображение 256×256одну строку.

Формирование вектора описаний {| class="wikitable"|+ '''Inception scores для сгенерированных изображений в тестовом наборе [[Известные наборы данных#COCO|MS COCO]]'''|-! Модель !! Inception Score <ref name="inception"/>|-| style = "text-align: right" | [[#StackGAN|StackGAN]] || style = "text-align: center" | <tex>8.45 \phi_{t}pm 0.03</tex> происходит путем кодирования подписей с помощью предварительно обученного энкодера|-| style = "text-align: right" | ChatPainter (non-recurrent)|| style = "text-align: center" | '''<reftex>[https://github9.43 \pm 0.com04</reedscot/icml2016 Pretex>''' |-| style = "text-align: right" | '''ChatPainter (recurrent)'''|| style = "text-trained encoder for ICML 2016 paper]align: center" | '''<tex>9.74 \pm 0.02</reftex>. Для генерации диалоговых вложений '''|-| style = "text-align: right" | [[#AttnGAN|AttnGAN]] || style = "text-align: center" | <tex>25.89 \zeta_{d}pm 0.47</tex> используется два метода:|}

*Не рекурсивный энкодер {{---}} сжимает весь диалог === StackGAN++ ===Хотя генерирующие состязательные сети (GAN) показали замечательный успех в одну строку и кодирует его различных задачах, они все еще сталкиваются с помощью предварительно обученного энкодера Skipпроблемами при создании изображений высокого качества. Поэтому в данном разделе, во-Thoughtпервых, предлагается двухэтапная генеративная состязательная сетевая архитектура StackGAN-v1<refname="StackGAN++">[https://githubarxiv.comorg/ryankirosabs/skip1710.10916 Han Z., Tao X. {{-thoughts Skip-Thought encoder-}} Realistic Image Synthesis with Stacked Generative Adversarial Networks, 2018]</ref>для синтеза текста в изображение. Stage-I по-прежнему рисует примитивную форму и цвета сцены на основе заданного текстового описания, что дает изображения с низким разрешением. Stage-II все также принимает результаты этапа I и текстовое описание в качестве входных данных и генерирует изображения высокого разрешения с фотореалистичными деталями. Во-вторых, усовершенствованная многоэтапная генеративно-состязательная сетевая архитектура StackGAN-v2 предлагается как для условных, так и для безусловных генеративных задач. StackGAN-v2 состоит из нескольких генераторов и нескольких дискриминаторов, организованных в древовидную структуру (рис. 7); изображения в нескольких масштабах, соответствующие одной и той же сцене, генерируются из разных ветвей дерева. StackGAN-v2 демонстрирует более стабильное поведение при обучении, чем StackGAN-v1, за счет совместной аппроксимации нескольких распределений.

*Рекурсивный энкодер {{<div class="oo-ui-panelLayout-}} генерирует Skipscrollable" style="display: block; vertical-Thought векторы (англ. Skip-Thought Vectors)<refalign:middle; height: auto; width: auto;">[https[Файл://arxivStackGAN++-1.png|thumb|alt=Архитектура StackGAN++|x350px|center|Рисунок 7.org<ref name="StackGAN++"/abs/1506> Архитектура StackGAN++.06726 Skip-Thought Vectors]]</refdiv> для каждого сообщения в диалоге, а затем кодирует их двунаправленной [[Рекуррентные нейронные сети| рекуррентной нейронной сетью]] c [[Долгая краткосрочная память|LSTM]]

Затем выходы описаний Несмотря на успех, GAN, как известно, сложно обучить. Тренировочный процесс обычно нестабилен и диалогов объединяются чувствителен к выбору [[Настройка гиперпараметров | гиперпараметров]]. При обучении GAN генерировать изображения с высоким разрешением (например, 256x256), вероятность того, что распределение изображений и передаются распределение моделей будет совместно использовать один и тот же носитель в качестве входных данных в модуль аугментации данных многомерном пространстве, очень мала. Более того, обычным явлением сбоя при обучении GAN является [[Generative_Adversarial_Nets_(GAN)#Mode_Collapse|схлопывание мод распределения]] (англ. Conditioning Augmentation, CA''mode collapse''). Модуль CA нужен для получения скрытых скрытые условных переменных, которые передаются на вход генераторукогда многие из сгенерированных выборок содержат одинаковый цвет или узор текстуры.Архитектура блоков upsample, downsample и residual blocks сохраняется такой же, как и у исходного StackGAN

Результаты тестирования Предлагается продвинутая многоэтапная генеративно-состязательная сетевая архитектура StackGAN-v2 как для условных, так и сравнение модели ChatPainter для безусловных генеративных задач. StackGAN-v2 имеет несколько генераторов, которые разделяют между собой большинство своих параметров в древовидной структуре. Входные данные сети можно рассматривать как корень дерева, а изображения разного масштаба генерируются из разных ветвей дерева. Конечная цель генератора на самой глубокой ветви {{---}} создание фотореалистичных изображений с другими приведены высоким разрешением. Генераторы в таблицепромежуточных ветвях имеют прогрессивную цель создания изображений от малых до больших для достижения конечной цели. Из неё видно, что модель ChatPainter, которая получает дополнительную диалоговую информацию, имеет более высокий Inception ScoreВся сеть совместно обучается аппроксимировать различные, но сильно взаимосвязанные распределения изображений в отличии от модели StackGANразных ветвях. Кроме того, рекурсивнаяверсия ChatPainter получилась лучше, чем не рекурсивная версияиспользуется '''регуляризация согласованности цвета''' (англ. Вероятно''color-consistency regularization''), это связано с тем, что в не рекурсивной версии энкодер не обучается на длинных предложениях сворачивая весь диалог в одну строкучтобы генераторы могли генерировать более согласованные образцы для разных масштабов.

|+ '''Inception scores для сгенерированных изображений в тестовом наборе тестовых наборах [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]], [[Известные наборы данных#102 Category Flower|Oxford-102]] и [[Известные наборы данных#COCO|MS COCO<ref name]]'''|-! Набор данных !! StackGAN-v1 !! StackGAN-v2|-| style = "text-align: right" | [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]] || style ="MSCOCOtext-align: center" | <tex>3.70 \pm 0.04</tex> || <tex>4.04 \pm 0.05</tex>'''

| style = "text-align: right" | StackGAN [[Известные наборы данных#COCO|MS COCO]]|| style = "text-align: center" | <tex>8.45 \pm 0.03</tex>|| <tex>8.30 \pm 0.10</tex>|} На основе этих генеративных моделей также изучалась условная генерация изображений. В большинстве методов используются простые условные переменные, такие как атрибуты или метки классов. Существуют также работы с изображениями для создания изображений, включая редактирование фотографий, перенос области и сверхвысокое разрешение. Однако методы сверхвысокого разрешения могут добавлять только ограниченное количество деталей к изображениям с низким разрешением и не могут исправить большие дефекты. Введен термин регуляризации согласованности цвета, чтобы образцы, сгенерированные с одного и того же входа на разных генераторах, были более согласованными по цвету и, таким образом, улучшили качество сгенерированных изображений (рис. 8). <gallery mode="slideshow" caption="Рисунок 8. Пример результата работы StackGAN++.">Файл:StackGAN++-2.png|Примеры результата работы для тестовых наборов [[Известные наборы данных#102 Category Flower|Oxford-102]] (крайние левые четыре столбца) и [[Известные наборы данных#COCO|COCO]] (крайние правые четыре столбца).<ref name="StackGAN++"/>.|alt=Сгенерированные изображения цветовФайл:StackGAN++-4.png|Примеры результата работы для тестового набора [[Известные наборы данных#ImageNet|ImageNet]].<ref name="StackGAN++"/>.|alt=Сгенерированные изображения собак и кошек</gallery> === HTIS ===В данном разделе предлагается новый '''иерархический подход к синтезу текста''' (''Hierarchical Text-to-Image Synthesis, HTIS''<ref name="HTIS">[https://arxiv.org/abs/1801.05091 Seunghoon H., Dingdong Y. {{---}} Inferring Semantic Layout for Hierarchical Text-to-Image Synthesis, 2018]</ref>) в изображение путем определения семантического макета. Вместо того, чтобы изучать прямое отображение текста в изображение, алгоритм разбивает процесс генерации на несколько шагов, на которых он сначала создает семантический макет из текста с помощью генератора макета и преобразует макет в изображение с помощью генератора изображений (рис. 9). Предлагаемый генератор компоновки постепенно создает семантическую компоновку от грубого к точному, генерируя '''ограничивающие рамки''' (англ. ''bounding box'') объекта и уточняя каждую рамку, оценивая формы объектов внутри нее. Генератор изображений синтезирует изображение, обусловленное предполагаемым семантическим макетом, что обеспечивает полезную семантическую структуру изображения, совпадающего с текстовым описанием. <div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:Semantic-1.png|thumb|alt=Архитектура|x350px|center|Рисунок 9.<ref name="HTIS"/> Архитектура HTIS.]]</div> * '''Генератор рамок''' (англ. ''Box Generator'') принимает в качестве входных данных вложения текста и генерирует грубую компоновку, комбинируя экземпляры объектов в изображении. Выходные данные генератора представляют собой набор ограничивающих рамок <tex>B_1: T = \{B_1, ..., B_T\}</tex>, где каждая ограничивающая рамка <tex>B_t</tex> определяет местоположение, размер и метку категории <tex>t</tex>-го объекта.* '''Генератор фигур''' (англ. ''Shape Generator'') берет набор ограничивающих рамок, созданных на предыдущем шаге, и предсказывает формы объектов внутри рамок. Результатом является набор двоичных масок <tex>M_1: T = \{M_1, ..., M_T\}</tex>, где каждая маска <tex>M_t</tex> определяет форму переднего плана <tex>t</tex>-го объекта.* '''Генератор изображений''' (англ. ''Image Generator'') принимает карту семантических меток <tex>M</tex>, полученную путем агрегирования масок по экземплярам, и текстовое описание в качестве входных данных, и генерирует изображение, переводя семантический макет в пиксели, соответствующие текстовому описанию. Модель не только генерирует семантически более значимые изображения, но также позволяет автоматически аннотировать генерируемые изображения. Созданные изображения и процесс генерации под управлением пользователя путем изменения сгенерированного макета сцены. Возможности предложенной модели были продемонстрированы на сложном наборе данных [[Известные наборы данных#COCO|MS COCO]]. Оказывается, модель может существенно улучшить качество изображения, интерпретируемость вывода и семантическое выравнивание вводимого текста по сравнению с существующими подходами. {| class="wikitable" style="float:right; margin-right: 10px;"|+ '''Inception scores для сгенерированных изображений в тестовом наборе [[Известные наборы данных#COCO|MS COCO]]'''

| style = "text-align: right" | ChatPainter (non-recurrent)|| style ! Модель !! Inception Score <ref name= "text-align: centerinception" | <tex>9.43 \pm 0.04</tex>

| style = "text-align: right" | ChatPainter (recurrent)[[#StackGAN|StackGAN]] || style = "text-align: center" | <tex>98.74 45 \pm 0.0203</tex>

| style = "text-align: right" | AttnGAN Рассматриваемая модель || style = "text-align: center" | <tex>2511.89 46 \pm 0.4709</tex>

[[Файл:MMVR.png|thumb|right|x360px|alt=Архитектура MMVR|Рисунок 17.<ref name="MMVR"/> Архитектура MMVR.]]'''Модель мультимодальной векторной сети ''' (англ. ''Multi-Modal Vector Representation, MMVR''), впервые предложенная в статье<refname="MMVR">[https://arxiv.org/abs/1809.10274 Shagan S., Dheeraj P. {{---}} SEMANTICALLY INVARIANT TEXT-TO-IMAGE GENERATION, 2018]</ref>, способна создавать изображения по описанию и генерировать описание исходя из предоставленного изображения. Она включает несколько модификаций для улучшения генерации изображений и описаний, а именно: вводится [[Функция потерь и эмпирический риск|функция потерь]] на основе метрики N-грамм, которая обобщает описание относительно изображения; так же для генерации вместо одного используется несколько семантически сходных предложений, что так же улучшает создаваемые изображения.

Модель может быть разделена на два взаимозависимых модуля (смрис. рис17):

Прямое распространение (англ. ''forward pass'') инициируется путем передачи случайного скрытого вектора (англ. ''latent vector'') <tex>h_{t}</tex> в генератор изображений (<tex>G</tex>), который генерирует изображение <tex>\hat{x}</tex>. Затем по сгенерированной картинке генератор описаний создаёт подпись. Для определения ошибки между сгенерированным описанием <tex>\hat{y}</tex> и исходным описанием <tex>y</tex> используется перекрестная энтропия на уровне слов. Она используется для итеративного обновления <tex>h_{t}</tex> (заодно и <tex>\hat{x}</tex>), оставляя при этом все остальные компоненты фиксированными. С каждой итерацией <tex>\hat{y}</tex> приближается к < tex>y</tex>, и сгенерированное изображение на каждом шаге <tex>\hat{x}</tex> является временным представлением конечного изображения. Для улучшения реалистичности изображения используется энкодер шумоподавленя кодировщик шумоподавления (англ. ''Denoising Autoencoder, DAE'')<ref name="PPGN">[https://arxiv.org/abs/1612.00005 Anh N., Jeff C. {{---}} Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space,2017]</ref> {{---}} в правило обновления добавляется ошибка восстановления изображения (англ. ''reconstruction error''), вычисляемая как разница между <tex>h_{t}</tex> и <tex>\hat{h_{t}}</tex>.[[файл:MMVR_example.png|thumb|left|x190px|Рисунок 18.<ref name="MMVR"/> Сравнение PPGN<ref name="PPGN" /> и MMVR.]]

|+ '''Inception scores для сгенерированных изображений в тестовом наборе [[Известные наборы данных#COCO|MS COCO<ref name="MSCOCO" />]] '''

! Модель !! Inception Score<ref name="inception"/>

|}MMVR (<tex>N_{c}</tex>) {{---}} модификация MMVR с несколькими текстовыми описаниями на изображение, где <tex>N_{c}</tex> {{- --}} количество описаний.

{| class="wikitable" style="float:right; margin-left: 10px;"|+ '''Inception scores для сгенерированных изображений в тестовых наборах [[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]] и [[Известные наборы данных#COCO|COCO]]'''|-! Модель !! Inception Score ([[Известные наборы данных#Caltech-UCSD Birds 200 (CUB)|Caltech-UCSD]]) !! Inception Score ([[Известные наборы данных#COCO|COCO]])|-| style = "text-align: right" | [[#GAN-INT-CLS|GAN-INT-CLS]] || style = "text-align: center" | <tex>2.88 \pm 0.04</tex> || style = "text-align: center" | <tex>7.88 \pm 0.07</tex>|-| style = "text-align: right" | [[#GAN-INT-CLS|GAWWN]] || style = "text-align: center" | <tex>3.70 \pm 0.04</tex> || style = "text-align: center" | <tex>-</tex>|-| style = "text-align: right" | [[#StackGAN | StackGAN]] || style = "text-align: center" | <tex>3.62 \pm 0.07</tex> || style = "text-align: center" | <tex>8.45 \pm 0.03</tex>|-| style = "text-align: right" | [[#StackGAN++ | StackGAN++]] || style = "text-align: center" | <tex>3.82 \pm 0.06</tex> || style = "text-align: center" | <tex>-</tex>|-| style = "text-align: right" | PPGN<ref name="PPGN"/> || style = "text-align: center" | <tex>-</tex> || style = "text-align: center" | <tex>9.58 \pm 0.21</tex>|-| style = "text-align: right" | [[#AttnGAN | AttnGAN]] || style = "text-align: center" | <tex>4.36 \pm 0.03</tex> || style = "text-align: center" | <tex>25.89 \pm 0.47</tex>|-| style = "text-align: right" | MirrorGAN || style = "text-align: center" | <tex>4.56 \pm 0.05</tex> || style = "text-align: center" | <tex>26.47 \pm 0.41</tex>|} Генерация изображения из заданного текстового описания преследует две главные цели: реалистичность и семантическое постоянство. Несмотря на то, что существует значительный прогресс в создании визуально реалистичных изображений высокого качества посредством [[Generative Adversarial Nets (GAN) | генеративных состязательных сетей]], обеспечение вышепоставленных целей все еще является довольно сложной задачей. Для осуществления попытки их реализации рассмотрим text-to-image-to-text фреймворк с вниманием, сохраняющий семантику, под названием <b>MirrorGAN</b><ref name="MirrorGAN">[https://arxiv.org/abs/1903.05854 Tingting Q., Jing Z. {{---}} MirrorGAN: Learning Text-to-image Generation by Redescription, 2019]</ref>. Данный фреймворк, который из текстового описания генерирует изображение, использует идею обучения с помощью переописания (англ. ''redescription'') и состоит из трёх модулей:* Модуль встраивания семантического текста (англ. ''semantic text embedding module, <b>STEM</b>'').* Глобально-локальный совместный модуль с вниманием для создания каскадных изображений (англ. ''global-local collaborative attentive module for cascaded image generation, <b>GLAM</b>'').* Модуль регенерации семантического текста и выравнивания (англ. ''semantic text regener-ation and alignment module, <b>STREAM</b>'').STEM создает встраивания на уровне слов и предложений, GLAM имеет каскадную архитектуру создания результирующих изображений от грубых до детализированных, используя как внимание к локальным словам, так и к глобальным предложениям, чтобы прогрессивно совершенствовать семантическое постоянство и разнообразие у сгенерированных изображений, а STREAM стремится к восстановлению текстового описания созданного изображения, которое семантически схоже с заданным описанием. Если изображение, сгенерированное с помощью T2I (text-to-image) , семантически консистентно с заданным описаниемсоответствует заданному описанию, его текстовое описание , созданное посредством I2T (image-to-text) должно предоставлять аналогичную семантику семантически совпадать с заданным. Чтобы обучать модель сквозным методом, будем использовать две состязательные [[Функция потерь и эмпирический риск | функции потерь]]: # Состязательная потеря в реалистичности: <tex>\mathcal{L}_{G_i}^{VR} = -\frac{1}{2} \mathbb{E}_{I_i \sim p_{I_i}} [\log(D_i(I_i))]</tex>.# Состязательная потеря в семантическом постоянстве: <tex>\mathcal{L}_{G_i}^{SC} = -\frac{1}{2} \mathbb{E}_{I_i \sim p_{I_i}} [\log(D_i(I_i, s))]</tex>.Где <tex>I_i</tex> {{---}} сгенерированное на этапе <tex>i</tex> изображение, взятое из распределения <tex>p_{I_i}</tex>. Вдобавок, для эффективного использования двойного регулирования T2I и I2T, применим текстово-семантическую реконструированную функцию потерь, основанную на перекрёстной энтропии: <tex>\mathcal{L}_{stream} = -\displaystyle\sum_{t = 0}^{L - 1} \log(p_t(T_t))</tex>. <div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:MirrorGAN.png|thumb|center|x350px|Рисунок 21.<ref name="MirrorGAN"/> Архитектура MirrorGAN.]]</div> MirrorGan представляет собой зеркальную структуру, объединяя T2I и I2T. Чтобы сконструировать многоэтапный каскадный генератор, все три сети генерации изображений (<b>STEM</b>, <b>GLAM</b> и <b>STREAM</b>) необходимо объединить. В качестве архитектуры STREAM будем использовать довольно распространенный фреймворк создания текстового описания изображения (англ. ''image captioning framework''), базирующийся на кодировании и декодировании. Кодировщик изображений {{---}} это [[Сверточные нейронные сети | свёрточная нейронная сеть]], предварительно обученная на ImageNet<ref name="ImageNet">[http://www.image-net.org/ ImageNet image database ]</ref>, а декодировщик {{---}} это [[Рекуррентные нейронные сети | рекуррентная нейронная сеть]]. Предварительное обучение STREAM помогло MirrorGAN достичь более стабильного процесса обучения и более быстрой сходимости, в то время, как их совместная оптимизация довольно нестабильна, занимает много места и долго работает. Структура кодировщик-декодировщик и соответствующие ей параметры фиксированы во время обучения других модулей MirrorGAN. Обучая <tex>G_i</tex>, градиенты из <tex>\mathcal{L}_{stream}</tex> [[Обратное распространение ошибки | обратно распространяются]] через STREAM в <tex>G_i</tex>, веса сетей которых остаются фиксированными. Финальная целевая функция генератора выглядит так: <tex>\mathcal{L}_G = \displaystyle\sum_{i = 0}^{m - 1}{\mathcal{L}_{G_i}^{VR} + \mathcal{L}_{G_i}^{SC} + \lambda \mathcal{L}_{stream}}</tex>, где <tex>\lambda</tex> {{---}} вес потери для обработки участия состязательной потери (англ. ''adversarial loss'') и потери текстово-семантической реконструкции (англ. ''text-semantic reconstruction loss''). Для наилучшего качества генерации можно поставить коэффициент <tex>\lambda = 20</tex>. Показатель Inception Score<ref name="inception"/> был использован для измерения как объективности, так и разнообразия сгенерированных изображений. [https://en.wikipedia.org/wiki/Evaluation_measures_(information_retrieval)#R-Precision R-precision] был использован для вычисления визуально-семантической схожести между сгенерированными изображениями и их соответствующими текстовыми описаниями.

Чтобы обучать модель сквозным методом, будем использовать две состязательные потери<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл: в визуальном реализме и в семантическом постоянствеMirrorGAN&Co.jpg|thumb|center|x500px|Рисунок 22. В добавок<ref name="MirrorGAN"/> Сравнение MirrorGAN, для максимального использования двойного регулирования T2I [[#AttnGAN|AttnGAN]] и I2T, применим текстово-семантическую реконструированную потерю основанную на перекрёстной энтропиидругих генеративных состязательных сетей.]]</div>

=== TextKD-GAN ===Генерация текста представляет особый интерес во многих приложениях [https://en.wikipedia.org/wiki/Neuro-linguistic_programming нейролингвистического программирования] (англ. ''neuro-linguistic programming, NLP''), таких как [Файлhttps:MirrorGAN//en.wikipedia.org/wiki/Machine_translation машинный перевод], моделирование языка и обобщение текста.png[[Generative Adversarial Nets (GAN) |thumbГенеративные состязательные сети]] достигли замечательного успеха в создании высококачественных изображений в [[Компьютерное зрение |left|x400px|Архитектура MirrorGANкомпьютерном зрении]], и в последнее время они также вызвали большой интерес со стороны сообщества NLP. Однако достижение подобного успеха в NLP было бы более сложным из-за дискретности текста. В данной статье<ref name="TextKD-GAN">[https://arxiv.org/abs/1905.01976 Md. Akmal H. and Mehdi R.{{---}} TextKD-GAN: Text Generation using KnowledgeDistillation and Generative Adversarial Networks, 2019]</ref> вводится метод, использующий дистилляцию знаний (перенос знаний, усвоенных большой моделью (учителем), на меньшую модель (ученика)) для эффективного оперирования настройками сети.

MirrorGan TextKD-GAN представляет собой зеркальную структуру, объдиняя T2I и I2T. Она состоит из трех генераторов. Чтобы сконструировать мультиэтапный каскадный генератор, нужно совместить все три сети себя решение для основного узкого места использования генеративных состязательных сетей для генерации изображений последовательно. В качестве архитектуры STREAM будем использовать широко используемый фреймворк захвата изображениятекста с <b>дистилляцией знаний</b> {{---}} методом, базированный на кодировке и декодировкепереносящим знания смягченного вывода модели (учителя) в меньшую модель (ученика). Кодировщик изображений есть [[Сверточные нейронные сети | свёрточная нейронная сеть]], предварительно обученная Решение основано на ImageNetавтокодировщике (учителе), а декодировщик есть [[Рекуррентные нейронные сети | рекуррентная нейронная сеть]]чтобы получить гладкое представление настоящего текста. Предварительное обучение STREAM помогло MirrorGAN достичь более стабильного процесса обучения и более быстрой сходимостиЭто представление затем подается в дискриминатор TextKD-GAN вместо обычного one-hot представления. Генератор (студент) пытается изучить многообразие смягченного гладкого представления автокодировщика. TextKD-GAN, в то времяконечном итоге, будет превосходить обычный генератор текста на основе генеративных состязательных сетей, как их совместая оптимизация довольно нестабильна и с точки зрения занимаемого места и времени очень дорога. Структура кодировщик-декодировщик и соответствующие ей параметры фиксированы во время обучения других модулей MirrorGANкоторый не нуждается в предварительном обучении.

Обучая <texdiv class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">G_i[[Файл:TextKD-GAN_Model.png|thumb|center|x400px|Рисунок 27.<ref name="TextKD-GAN"/tex>, градиенты из <tex>L_{stream}Модель TextKD-GAN для генерации текста.]]</texdiv> обратно распространяются через STREAM в <tex>G_i</tex>, чьи сети остаются фиксированными.

<tex>\mathcal{L}_G = \displaystyle\sum_{i = 0}^{m В общепринятом текстовом распознавании, реальные и сгенерированные входные данные дискриминатора будут иметь разные типы ([https://en.wikipedia.org/wiki/One- 1}{\mathcal{L}_{G_i} + \lambda \mathcal{L}_{stream}}<hot one-hot] и [https:/tex>/en.wikipedia.org/wiki/Softmax_function softmax]). Один из способов избежать этой проблемы состоит в получении непрерывно гладкого представление слов, а не one-hot представления, и обучении дискриминатора различать их. На рисунке 27 проиллюстрирована модель, в которой используется стандартный автокодировщик (учитель), чтобы заменить one-hot представление выходом, перестроенным softmax-функцией, который является представлением, дающим меньшую дисперсию градиентов. Как видно, вместо one-hot представления реальных слов смягченный преобразованный выход автокодировщика подается на вход дискриминатору. Эта техника значительно усложняет распознавание для самого дискриминатора. Генератор с softmax выходом пытается имитировать распределение выходного сигнала автокодировщика вместо обычного one-hot представления.

Для наилучшего качества генерацииОбучение автокодировщика и TextKD-GAN происходит одновременно. Чтобы добиться этого, поставим коэффициент необходимо раздробить целевую функцию на три члена:# Реконструирующий член для автокодировщика: <tex>\lambda min\limits_{(\varphi, \psi)} L_{AE}(\varphi, \psi) = \min\limits_{(\varphi, \psi)} \| x - \mathrm{softmax}(\mathrm{dec}_\psi(\mathrm{enc}_\varphi(x))) \| ^ 2.</tex># [[Функция потерь и эмпирический риск | Функция потерь]] для дискриминатора с градиентным штрафом (англ. ''discriminator loss function with gradient penalty''):<tex>\min\limits_{w \in W} L_{discriminator}(w) = 20\min\limits_{w \in W} -E_{x \sim P_x} [f_w(\mathrm{dec}_\psi(\mathrm{enc}_\varphi(x)))] + E_{z \sim P_z} [f_w(G(z))] + \lambda_2 E_{\hat{x} \sim P_{\hat{x}}} [(\| \nabla_{\hat{x}} f_w(\hat{x}) \| _2 - 1)^2].</tex># Состязательная стоимость (англ. ''adversarial cost'') генератора: <tex>\min\limits_\theta L_{Gen}(\theta) = -\min\limits_\theta E_{z \sim P_z} [f_w(G(z))].</tex>

Показатель Inception был использован для измерения как объективностиЭти функции потерь обучаются поочередно, так и разнообразия сгенерированных изображенийчтобы оптимизировать различные части модели. R-precision был использован для вычисления визуально-семантической схожести между сгенерированными изображениями и их соответствующими текстовыми описаниямиВ члене штрафа градиента необходимо посчитать норму градиента случайных выборок <tex>\hat{x} \sim P_{\hat{x}}</tex>.

<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:MirrorGANTextKD-GAN&Co.jpgpng|thumb|center|x600pxx500px|Сравнение MirrorGAN Рисунок 28.<ref name="TextKD-GAN"/> Дивергенция Дженсена-Шеннона (англ. ''Jensen-Shannon divergence, JSD'') между сгенерированным и других генеративных состязательных сетейобучающимся предложениями (n-граммами) полученных из эксперимента SNLI<ref>[https://nlp.stanford.edu/projects/snli/ The Stanford Natural Language Inference (SNLI) Corpus]</ref> (Stanford Natural Language Inference, Стэнфордский Вывод Естественного Языка).]]</div>

Управляемая объектами '''Объектно-управляемая [[Generative Adversarial Nets (GAN)| генеративно-генеративная состязательная сеть]] с вниманием ''' (англ. ''Object-Driven Attentive Generative Adversarial Network, Obj-GAN'') позволяет производить объектно-центрированный text-to-image-синтез сложных структурсоздавать изображения по описанию с учётом объектной компоновки. Объектно-управляемый генератор изображений, оперирующий двухэтапным layout-image процессом создаёт изображения на основе двухэтапной генерации, синтезирует выступающие объекты, обращая внимание на . Сначала создаётся макет по наиболее значимые слова значимым словам в текстовом описании , после этого генерируется изображение с полученной компоновкой объектов. А для сопоставления синтезируемых объектов с текстовым описанием и в заранее сгенерированном семантическом макетесгенерированным макетом, предлагается<ref name="Obj-GAN">[https://openaccess.thecvf.com/content_CVPR_2019/papers/Li_Object-Driven_Text-To-Image_Synthesis_via_Adversarial_Training_CVPR_2019_paper.pdf Wendo L. Стоит добавить, что предлагается Pengchuan Z. {{---}} Object-driven Text-to-Image Synthesis via Adversarial Training 2019]</ref> новый объектный дискриминатор, базирующийся основывающийся на Fast R-CNN<ref>[https://arxiv.org/abs/1504.08083 Ross Girshick {{---}} Fast R-CNN, позволяющий производить пообъектные сигналы распознавания касательно того, может ли синтезированный объект быть сопоставлен с тектовым описанием и предварительно сгенерированным макетом2015]</ref>. В результате модификаций Obj-GAN значительно превосходит по производительности предыдущие технологии в различных показателях относительно бенчмарка другие модели на наборе данных [[Известные наборы данных#COCO|COCO (Common Objects in Context)]], увеличивая показатель Inception score<ref name="inception"/> на 11% и ученьшая уменьшая показатель FID (Fréchet inception distance) <ref name="FID">[https://en.wikipedia.org/wiki/Fréchet_inception_distance Fréchet inception distance, FID]</ref> на 27%.

Основная цель Obj<div class="oo-ui-GAN {{panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:Obj-}} генерация высококачественных сложных изображений с семантически значимым макетом и реалистическими объектамиGAN. png|thumb|alt=Архитектура Obj-GAN состоит из пары генератора изображений, управляемый объектами, с вниманием и пообъектовый дискриминатор, а также новый механизм внимания|x300px|thumb|center|Рисунок 23. Как было сказано ранее, генератор изображений в качестве входных данных принимает текстовое описание и предварительно сгенерированный семантический макет и синтезирует изображения с помощью многоэтапного процесса coarse<ref name="Obj-toGAN"/> Архитектура Obj-fine. На каждом этапе генератор синтезирует фрагмент изображений внутри ограничивающей рамки (англ. bounding box), фокусируясь на наиболее релевантных объекту словахGAN.]]</div>

{| class="wikitable" style="float:right; margin-left: 10px;"|+ '''Inception score в тестовом наборе [[Известные наборы данных#COCO|COCO]]'''|-! Модель !! Inception Score <ref name="inception"/> !! FID <ref name="FID"/>|-| style = "text-align: right" | Obj-GAN (pred box & pred shp) || style = "text-align: center" | <tex>27.32 \pm 0.40</tex> || style = "text-align: center" | <tex>24.70</tex>|-| style = "text-align: right" | Obj-GAN (gt box & pred shp) || style = "text-align: center" | <tex>28.22 \pm 0.35</tex> || style = "text-align: center" | <tex>22.67</tex>|-| style = "text-align: right" | Obj-GAN (gt box & gt shp) || style = "text-align: center" | <tex>31.01 \pm 0.27</tex>|| style = "text-align: center" | <tex>17.03</tex>|} Основная цель Obj-GAN {{---}} генерация качественных изображений с семантически значимым макетом и реалистичными объектами. Obj-GAN состоит из пары генератора изображений с вниманием, управляемый объектами, и пообъектного дискриминатора (англ. ''object-wise discriminator''). Генератор изображений в качестве входных данных принимает текстовое описание и предварительно сгенерированный семантический макет (англ. ''semantic layout''), по которым создаёт изображение с помощью процесса, заключающегося в поэтапном улучшении качества результирующего изображения. На каждом этапе генератор синтезирует фрагмент изображений внутри ограничивающей рамки (англ. ''bounding box''), фокусируясь на наиболее релевантных объекту словах. Говоря более конкретно, он, с использованием управляемого объектами слоя внимания, оперирует метками класса, запрашивая слова в предложениях, чтобы сформировать вектор контекстов, и впоследствии синтезирует фрагмент изображения при условиях метки и вектора контекстов. Пообъектный дискриминатор проверяет каждую ограничивающую рамку, чтобы удостовериться в том, что сгенерированный объект действительно может быть сопоставлен с заранее сгенерированным макетом. Чтобы вычислить все потери при распознавании для всех заданных ограничивающих рамок одновременно и эффективно, дискриминатор базирован быстрой региональной сверточной нейронной сетью представляет из себя быструю [[Сверточные нейронные сети|свёрточную нейронную сеть]] на основе регионов (англ. ''Fast Region-based Convolutional Neural Network, Fast R-CNN'') с двоичной [[Функция потерь и эмпирический риск | функцией потерь]] перекрёстной энтропии для каждой рамки.

Рассмотрим архитектуру Obj-GAN. Первым этапом, генеративная состязательная сеть принимает текстовое предложение и генерирует <b>семантический макет</b> {{---}} последовательность объектов специфицированных соответствующими ограничивающими рамками (наряду с метками классов) и фигурами. <b>Генератор рамок</b> (англ. ''box generator'') и <b>генератор фигур</b> (англ. ''shape generator'') работают соответствующим образом, сначала создавая последовательность ограничивающих рамок, а затем {{---}} фигуру для каждой. Поскольку большинству рамок сопоставлены слова из данного текстового предложения, модель [[Механизм_внимания#.D0.91.D0.B0.D0.B7.D0.BE.D0.B2.D0.B0.D1.8F_.D0.B0.D1.80.D1.85.D0.B8.D1.82.D0.B5.D0.BA.D1.82.D1.83.D1.80.D0.B0_Seq2seq | seq2seq ]] с вниманием охватывает это соответствие. Далее конструируется <tex>G_{shape}</tex>, базированный на двунаправленной сверточной [[Сверточные нейронные сети | свёрточной]] [[Долгая краткосрочная память|долгой краткосрочной памяти ]] (англ. ''bidirectional convolutional long short-term memory, [[Долгая краткосрочная память | LSTM]]''). Обучение <tex>G_{shape}</tex> основывается на фреймворке генеративной состязательной сети, в которой потеря восприятия исплоьзуется используется для ограничения генерируемых фигур и стабилизирования обучения.

<gallery ckassmode="center" modepacked heights="slideshow" 450px caption="Рисунок 24. Сравнение результатов Obj-GAN с другими генеративными состязательными сетями.">Файл:Obj-GAN_ex1.png|Сравнение Obj-GAN<ref name="Obj-GAN"/>Файл:Obj-GAN_ex2.png|

Модели, используемые для генерации создания макетов сцен из текстовых описаний по большей части игнорируют возможные визуальные вариации внутри структуры, описываемой самим текстом. Layout variational autoencoder (LayoutVAE) {{---}} фреймворк, базирующийся на [[Вариационный автокодировщик | вариационном автокодировщике]] для генераций стохастических макетов сцен {{---}} есть разносторонняя программная платформа моделирования, позволяющая генерировать полные макеты изображений с заданным набором меток или макеты меток для существующего изображения с заданной новой меткой. Вдобавок она также способна обнаруживать необычные макеты, потенциально открывающая пути к вычислению проблемы генерации макетов.

Будем рассматривать следующую проблему: генерация '''Макетный вариационный автокодировщик''' (англ. ''Layout variational autoencoder, LayoutVAE'') {{---}} фреймворк, базирующийся на [[Вариационный автокодировщик | вариационном автокодировщике]] для генерации стохастических макетов сцен (англ. ''stochastic scene layouts'') {{---}} это программная платформа моделирования, позволяющая генерировать либо полные макеты изображений с описанием набора меток. Набор заданным набором меток, представленный как более слабое описание, всего лишь предоставляет множество либо макеты меток, присутствующих в данном изображении без дополнительного описания взаимосвязи, заставляя модель изучать пространственные и подсчитываемые отношения на основе визуальных данныхдля существующего изображения с новой заданной меткой.

Касательно описанных проблем предлагаются следующие решения:* модель стохастических генераций макетов Рассмотрим задачу генерации сцен с заданным множеством описанием набора меток, которая будет иметь две компоненты: моделирование распределений подсчитываемых отношений между объектами; моделирование распределений пространственных отношений между объектами;* синтетический . Этот набор данныхвсего лишь предоставляет множество меток, MNIST-макетыприсутствующих в данном изображении (без дополнительного описания взаимосвязи), отражающую стохастическую природу генерации макета сцен;* экстремальная валидация моделей с использованием MNIST-макетов заставляя модель изучать пространственные и наборов подсчитываемые отношения (англ. ''spatial and count relationships'') на основе визуальных данных COCO<ref name="COCO" />, в которой содержатся сложные макеты сцен реального мира.

В статье<ref>[httpsКасательно вышеописанной задачи предлагаются следующие решения://openaccess.thecvf.com/content_ICCV_2019/papers/Jyothi_LayoutVAE_Stochastic_Scene_Layout_Generation_From_a_Label_Set_ICCV_2019_paper.pdf LayoutVAE: Stochastic Scene Layout Generation From a Label Set]</ref> были предложены фреймворки и структуры, модели и фреймворки, взаимодействующие * Модель стохастических генераций макетов сцен с LayoutVEзаданным множеством меток, такие каккоторая будет иметь две компоненты: <b>PNPмоделирование распределений подсчитываемых отношений между объектами; моделирование распределений пространственных отношений между объектами.* Синтетический набор данных, MNIST-Net</b> {{---}} фреймворк вариационного автокодировщика для генерации изображения абстрактной сцены из текстовой программымакеты, полностью описывающей её (помимо того, что это {{---}} стохастическая модель для отражающие стохастическую природу генерации, она была протестирована на синтетических наборах данных макета сцен.* Экспериментальная валидация моделей с малым числом классов); <b>LayoutGAN</b> {{использованием MNIST---}} модель, основанная на макетов и наборов данных [[Generative Adversarial Nets (GAN) Известные наборы данных#COCO| генеративных состязательных сетяхCOCO]], генерирующая в которой содержатся сложные макеты графических элементов (прамоугольники, трегуольники, и так далее); VAE-базированный фреймворк, кодирующий объект и информацию о макете о 3D-сцен в помещении в скрытом коде; и так далее..реального мира.

Обучение генеративных моделей нужно, чтобы предсказать разнообразные, но правдоподобные наборы ограничивающих рамок, учитывая набор меток в качестве входных данных<div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:LayoutVAE.png|thumb|center|x350px|Рисунок 25.<ref name="LayoutVAE"/> Архитектура LayoutVAE. Рамки в наборе представлены верхними левыми координатами, шириной и высотой ]]</div>В статье<texref name="LayoutVAE">i[https://openaccess.thecvf.com/content_ICCV_2019/papers/Jyothi_LayoutVAE_Stochastic_Scene_Layout_Generation_From_a_Label_Set_ICCV_2019_paper.pdf LayoutVAE: Stochastic Scene Layout Generation From a Label Set]</texref>-й ограничивающей рамки категории были предложены фреймворки и структуры моделей, взаимодействующие с LayoutVE, такие как: <texb>kPNP-Net</texb>. LayoutVAE естественным образом декомпозируется на модель для предсказания количества для каждой заданной метки {{---}} фреймворк вариационного автокодировщика для создания изображения из текстовой программы, которая полностью её описывает (помимо того, что это стохастическая модель для генерации, она была протестирована на синтетических наборах данных с малым числом классов); <b>CountVAELayoutGAN</b> {{---}} модель, основанная на [[Generative Adversarial Nets (GAN) | генеративных состязательных сетях]], создающая макеты графических элементов (прямоугольники, треугольники, и другая для предсказания местоположения так далее); фреймворк, базирующийся на вариационном автокодировщике, который кодирует объект и размера каждого объекта {{информацию о макете 3D---}} <b>BBoxVAE</b>сцен в помещении в скрытом коде; и так далее...

Имея Обучение генеративных моделей необходимо, чтобы предсказать разнообразные, но правдоподобные наборы ограничивающих рамок (англ. ''bounding boxes'') <tex>b_{k, i} = [x_{k, i}, y_{k, i}, w_{k, i}, h_{k, i}]</tex>, учитывая набор меток в качестве входных данных. Рамки в наборе представлены верхними левыми координатами, шириной и высотой <tex>Li</tex> и количество объектов в -й ограничивающей рамки категории <tex>\left\{ n_m : m \in L \right\}k</tex>, BBoxVAE предсказывает распределение координат . LayoutVAE декомпозируется на модель для предсказания количества для ограничивающих рамок авторегрессионно. Мы следуем тому же предопределенному порядку меток, что и в каждой заданной метки {{---}} <b>CountVAE, в пространстве меток, </b> {{---}} и упорядочиваем ограничивающие рамки слева направо модель для каждой метки; предсказания местоположения и размера каждого объекта {{---}} <b>все ограничивающие рамки предсказываются перед переходом к следующей метке.BBoxVAE</b>.

[[ФайлИмея набор меток <tex>L</tex> и количество объектов в категории <tex>\left\{ n_m :LayoutVAEm \in L \right\}</tex>, BBoxVAE предсказывает распределение координат для ограничивающих рамок авторегрессионно. Мы следуем тому же предопределенному порядку меток, что и в CountVAE, в пространстве меток, и упорядочиваем ограничивающие рамки слева направо для каждой метки; <b>сначала все ограничивающие рамки предсказываются для заданной метки, а уже потом происходит переход к следующей метке.png|thumb|center|x500px|Архитектура LayoutVAE]]</b> <div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:LayoutVAEGeneration.png|thumb|center|x500pxx350px|Рисунок 26.<ref name="LayoutVAE"/> Генерация по множеству меток <tex>\{person, sea, surfboard\}</tex>.]]</div>

Преобразование изображений перекрестным видом (англ. ''cross-view image translation'') проблематично, поскольку оно оперирует изображениями со значительно отличающимися ракурсами и тяжёлыми деформациями. В статье<ref name="MCA-GAN">[https://arxiv.org/pdf/1904.06807.pdf Multi-Channel Attention Selection GAN with Cascaded Semantic Guidancefor Cross-View Image Translation]</ref> о выборочной [[Generative Adversarial Nets (GAN) | генеративной состязательной сети]] с мультиканальным вниманием (англ. ''Multi-Channel Attention Selection GAN, MCA-GAN'') рассматривается подход, позволяющий делать возможным генерацию изображения, максимально приближенной к реальной, с произвольных ракурсах, основывающийся на семантическом отображении (англ. ''semantic mapping''). Работа сети происходит в два этапа:# Изображение и целевое семантическое отображение (англ. ''target semantic map'') подаются на вход циклической семантически-управляемой генеративной сети (англ. ''cycled semantic-guided generation network'') для получения начальных результатов.# Начальные результаты уточняются, используя механизм мультиканального выделения внимания (англ. ''multi-channel attention selection mechanism'').Обширные эксперименты на наборах данных Dayton, CVUSA<ref>[http://mvrl.cs.uky.edu/datasets/cvusa/ Crossview USA (CVUSA)]</ref> и Ego2Top<ref>[https://www.crcv.ucf.edu/projects/ego2top/index.php Ego2Top: Matching Viewers in Egocentric and Top-view Videos (ECCV 2016)]</ref> показывают, что данная модель способна генерировать значительно более качественные результаты, чем другие современные методы. <div class="oo-ui-panelLayout-scrollable" style= LeicaGAN "display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:MCA-GAD.png|thumb|center|x300px|Рисунок 29.<ref name="MCA-GAN"/> Архитектура MCA-GAD.]]</div> На рисунке 29 проиллюстрирована структура сети. Первый этап, как было описано выше, состоит из <b>каскадной семантически-управляемой генерацинной подсети</b>, использующая изображения в одном представлении и условные семантические отображения в другом представлении в качестве входных данных и преобразующая эти изображения в другом представлении. Результирующие изображения далее подаются на вход семантическому генератору для восстановления исходного семантического отображения, формируя цикл генерации. Второй этап заключается в том, что грубый синтез (англ. ''coarse synthesis'') и отображения глубоких характеристик объединяются и подаются на вход в <b>модуль мультиканального выделения внимания</b>, направленный на получение более детализированного синтеза (англ. ''fine-grained synthesis'') из большего пространства генерации и создание отображений неопределенности (англ. ''uncertainty maps'') для управления множественными потерями оптимизации (англ. ''optimization losses''). Модуль мультиканального выделения внимания в свою очередь состоит из многомасштабного пространственного пулинга (англ. ''multiscale spatial pooling'') и компоненты мультиканального выделения внимания (англ. ''multichannel attention selection component'').  Поскольку между изначальным ракурсом и результирующим существует объемная деформация объекта и/или сцены, одномасштабная характеристика (англ. ''single-scale feature'') вряд ли сможет захватить всю необходимую информацию о пространстве для детализированной генерации. Многомасштабный пространственный пулинг оперирует же другими значениями размера ядра и шага для выполнения глобального среднего пулинга (англ. ''global average pooling'') на одних и тех же входных характеристиках, тем самым получая многомасштабные характеристики с отличающимися рецептивными полями (англ. ''receptive fields'') для восприятия различных пространственных контекстов. Механизм мультиканального внимания позволяет осуществлять выполнение пространственного и временного отбора (англ. ''spatial and temporal selection''), чтобы синтезировать конечный детализированный результат. <div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:MCA-GAN_Module.png|thumb|center|x400px|Рисунок 30.<ref name="MCA-GAN"/> Архитектура модуля мультиканального выделения внимания (англ. ''multi-channel attention selection module'').]]</div> <div class="oo-ui-panelLayout-scrollable" style="display: block; vertical-align:middle; height: auto; width: auto;">[[Файл:MCA-GAN_CrossviewImageTranslation.png|thumb|center|x500px|Рисунок 31.<ref name="MCA-GAN"/> Преобразование изображения перекрестным видом.]]</div> 

*Создание контента и данных :**Картинки картинки для интернет-магазина;**Аватары аватары для игр;**Видеоклипывидеоклипы, сгенерированные автоматически, исходя из музыкального бита произведения;**Виртуальные виртуальные ведущие<ref>[https://dictor.mail.ru/ Виртуальный диктор]</ref>.*Благодаря работе Обучение систем на основе синтеза данных, возникающего в результате работы генеративных моделей возникает синтез данных, на которых потом могут обучаться другие системы:**Генерации генерация реалистичного видео городской среды<ref>[https://news.developer.nvidia.com/nvidia-invents-ai-interactive-graphics/ NVIDIA Interactive Graphics]</ref>.

*[https://arxiv.org/abs/1909.07083 Bowen L., Xiaojuan Q. {{---}} MCA-GANControlGAN: Controllable Text-to-Image Generation Adversarial NetworkBased on , 2019]*[https://arxiv.org/abs/1909.07083 Has T., Dan X. {{---}} MCA-GAN: Multi-Channel AttentionSelection GAN with Cascaded Semantic Guidance for Cross-View Image Translation, 2019]