Изменения

Перейти к: навигация, поиск

PixelRNN и PixelCNN

162 байта добавлено, 19:19, 3 января 2021
Добавлено сравнение
[[File:exampleGAN.png|450px|thumb|Рисунок 8. Лица, сгенерированные с помощью GAN <ref name=ForwardScience>[https://towardsdatascience.com/how-to-train-stylegan-to-generate-realistic-faces-d4afca48e705 Towards data science]</ref>]]
Если сравнивать GAN с PixelCNN/PixelRNN, то можно отметить значительно более хорошее качество получаемых изображений у генеративно-состязательного метода<ref name=ForwardScience>[https://towardsdatascience.com/auto-regressive-generative-models-pixelrnn-pixelcnn-32d192911173 Auto-Regressive Generative Models]</ref>. Однако, из-за этого время обучения занимает больше времени, чем у PixelCNN и PixelRNN. Для реализации GAN требуется найти равновесие Нэша, но в настоящее время нет алгоритма делающего это. Поэтому обучение GAN более нестабильное, если сравнивать с другими методами. В настоящее время, многие мировые компании используют GAN для генерации изображений: PGGAN от ''Nvidia'', Exemplar GAN от ''Facebook'' и другие.
{| class="wikitable"
101
правка

Навигация