128
правок
Изменения
→Функции потерь
Существует большое множество различных функций при при методе обучение модели через сравнение сгенерированного изображения с оригинальным. Примеры:
* '''L1-loss ''' или per'''Per-pixel loss ''' - оценивает точность восстановления каждого пикселя по отдельности
<center><tex>L_{per-pixel} = \frac{1}{N_{I_{gt}}}\|M \odot (I_{gen} - I_{gt})\| + \alpha \frac{1}{N_{I_{gt}}}\|(1 - M) \odot (I_{gen} - I_{gt})\|</tex></center>
:<tex>N_a</tex> - количество элементов в объекте <tex>a</tex>; <tex>M</tex> - бинарная маска; <tex>I_{gen}</tex> - выход генератора; <tex>I_{gt}</tex> - оригинальное изображние (англ. ground truth); <tex>\alpha</tex> - гиперпараметр, <tex>\odot</tex> - поэлементное перемножение * '''Perceptual loss ''' - сравнивает признаки полученного и исходного изображений
<center><tex>L_{percept} = \sum\limits_{q}\frac{\|\Theta_{q}(I_{gen}) - \Theta_{q}(I_{gt})\|}{N_{\Theta_{q}(I_{gt})}} + \sum\limits_{q}\frac{\|\Theta_{q}(I_{comp}) - \Theta_{q}(I_{gt})\|}{N_{\Theta_{q}(I_{gt})}}</tex></center>
* '''Style loss ''' - сравнивает текстуру и цвета изображений
<center><tex>L_{style} = \sum\limits_{q}\frac{1}{C_q C_q} \| \frac{G_q(I_{gen})-G_q(I_{gt})}{N_q}\|</tex></center>
* '''Total variation loss ''' - оценивает однородность полученного изображения
<center><tex>L_{tv} = \sum\limits_{(i,j) \in R}\frac{I_{comp}^{i,j+1} - I_{comp}^{i,j}}{N_{I_{comp}}} + \sum\limits_{(i,j) \in R}\frac{I_{comp}^{i+1,j} - I_{comp}^{i,j}}{N_{I_{comp}}}</tex></center>
