|
在 GAN 发展的最初几年取得了令人瞩目的进展。 没有更多像恐怖电影中的邮票大小的面部照片。 2017 年，GAN 制作了 1024 × 1024 的图像，可以骗过星探。
在未来几年，我们可能会看到由 GAN 生成的高质量视频。 商业应用即将到来！ 作为 GAN 系列的一部分，介绍了一些有意思的应用程序，并希望它们成为你 GAN 应用程序的灵感来源。 创建动漫角色 游戏开发和动画制作成本高昂，并且会聘请许多制作艺术家来完成相对常规的任务。 GAN 可以自动生成和着色动漫角色。
生成器和鉴别器由多层卷积层、batch normalization和带有skip连接的 ReLU 组成。
姿势引导人物图像生成 通过额外的姿势输入，我们可以将图像转换为不同的姿势。 例如，右上角的图像是地面实况，而右下角是生成的图像。
下面的细化结果列是生成的图像。
该设计由一个 2 级图像生成器和一个鉴别器组成。 生成器使用 meta-data（姿势）和原始图像重建图像。 鉴别器使用原始图像作为输入到 CGAN 设计的标签的一部分。该设计由一个 2 级图像生成器和一个鉴别器组成。 生成器使用 meta-data（姿势）和原始图像重建图像。 鉴别器使用原始图像作为输入到 CGAN 设计的标签的一部分。
CycleGAN Cross-domain transfer GANs 可能是第一批商业应用。 这些 GAN 将图像从一个领域（比如真实风景）转换到另一个领域（莫奈画作或梵高）。
例如，它可以在斑马和马之间转换图片。
CycleGAN 构建了 2 个网络 G 和 F，以构建从一个域到另一个域以及反向的图像。 它使用判别器 D 来评价生成的图像有多好。 例如，G 将真实图像转换为梵高风格的绘画，Dy 用于区分图像是真实的还是生成的。 域 A ➝ 域 B：
我们在反向域 B➝ 域 A 重复这个过程：
StarGAN |
