<tex>\theta^{*} = \underset{\theta} {\mathrm{argmin}} ~E(f_{\theta}(z), x_0) \\ x^{*} = f_{\theta^{*}}(z)</tex>,
где <tex>E(x, x_0)</tex> {{- --}} это функция потерь, зависящая от решаемой задачи, а <tex>f_{\theta}(z)</tex> {{-- -}} некоторая сверточная сеть. Алгоритм решения задачи:# Инициализируем theta рандомными весами# На каждой итерации:## Сеть f с текущими весами theta получает на вход фиксированный тензор z и возвращает реставрированное изображение x: ## С помощью сгенерированного изображения x и исходного изображения x0 вычисляется функция потерь E(x;x0) ## Веса theta обновляются так, чтобы минимизировать уравнение (1) В качестве f предлагается использовать сеть U-net с пропускающими соединениями. Для вписывания части изображения используется следующая функция потерь: <tex>E(x, x_0) = \|(x - x_0) * m \|^2</tex>, где <tex>m</tex> {{---}} маска.
== См. также ==
