Меню

Главная
Случайная статья
Настройки
Генеративно-состязательная сеть
Материал из https://ru.wikipedia.org

Генеративно-состязательная сеть (англ. Generative adversarial network, сокращённо GAN) — алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы (см. Генеративная модель[англ.]), а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель[англ.]). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает антагонистическая игра. Генеративно-состязательную сеть описал Ян Гудфеллоу[англ.] из компании Google в 2014 году[1].

Использование этой техники позволяет, в частности, генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото[2]. Кроме того, GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий.

Содержание

Метод

В системе GAN одна из сетей (сеть G, от Generator) генерирует образцы (см. Генеративная модель[англ.]), а другая (сеть D, от Discriminator) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель[англ.])[1]. Используя набор переменных латентного пространства, генеративная сеть пытается слепить новый образец, смешав несколько исходных образцов. Дискриминативная сеть обучается различать подлинные и поддельные образцы, а результаты различения подаются на вход генеративной сети так, чтобы она смогла подобрать лучший набор латентных параметров, и дискриминативная сеть уже не смогла бы отличить подлинные образцы от поддельных. Таким образом целью сети G является повысить процент ошибок сети D, а целью сети D является наоборот улучшение точности распознавания[1][3].

Дискриминационная сеть D, анализируя образцы из оригинальных данных и из подделанных генератором, достигает некоторой точности различения. Генератор при этом начинает со случайных комбинаций параметров латентного пространства (см. многомерное нормальное распределение), а после оценки полученных образцов сетью D, применяется метод обратного распространения ошибки, который позволяет улучшить качество генерации, подправив входной набор латентных параметров. Постепенно искусственные изображения на выходе генеративной сети становятся всё более качественными[4]. Сеть D реализуется как свёрточная нейронная сеть, в то время как сеть G наоборот разворачивает изображение на базе скрытых параметров.

В процессе совместного конкурентного обучения, если система достаточно сбалансирована, достигается минимаксное состояние равновесия, в котором обе сети значительно улучшили своё качество, и теперь сгенерированные изображения могут быть использованы практически как настоящие.

Идея состязательного обучения была выдвинута в 2013 году Li, Gauci и Gross[5]. Этот метод называется также «обучением Тьюринга»[6], так как ставит целью пройти тест Тьюринга.

Популярные объяснения метода

Принцип состязательности в сети GAN нередко описывается через метафоры. Например, генеративная сеть уподобляется фальшивомонетчику или подделывателю картин, а дискриминативная — эксперту, который стремится распознать подделку[7][8]. Другой пример — образ двух боксёров, один из которых учился у мастера, а второй вынужден подражать ученику[9].

В популярном приложении генерации человеческих лиц в качестве подлинных данных выступают реальные фотографии, а генеративная сеть пытается создать искусственные лица, варьируя комбинации таких латентных параметров, как цвет волос, пропорции лица, разрез глаз, форма носа, размер ушей, наличие бороды и усов и т. д.[10][11]

В статьях исследователей приводятся примеры реализации GAN на базе библиотеки TensorFlow[12][13].

Применение

GAN используются для получения фотореалистичных изображений, например для элементов промышленного дизайна, дизайна интерьера, одежды, сумок, портфелей, сцен компьютерных игр и т. д. Сети GAN используются также в сети Facebook[14]. В последнее время системы GANs стали использоваться для подготовки кадров фильмов или мультипликации[15]. Также эти системы помогают воссоздать трёхмерную модель объекта с помощью фрагментарных изображений[16] и улучшить изображения, полученные из астрономических наблюдений[17].

Примечания
  1. 1 2 3 Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). Generative Adversarial Networks. arXiv:1406.2661 [stat.ML].
  3. Luc, Pauline; Couprie, Camille; Chintala, Soumith; Verbeek, Jakob. Semantic Segmentation using Adversarial Networks (неопр.) // NIPS Workshop on Adversarial Training, Dec , Barcelona, Spain. — 2016. — 25 November (т. 2016). — arXiv:1611.08408.
  6. Li, Wei; Gauci, Melvin; Gro, Roderich. Turing learning: a metric-free approach to inferring behavior and its application to swarms (англ.) // Swarm Intelligence : journal. — 2016. — 30 August (vol. 10, no. 3). — P. 211—243. — doi:10.1007/s11721-016-0126-1.
  7. Фальшивомонетчики против банкиров: стравливаем adversarial networks в Theano. Дата обращения: 19 июля 2017. Архивировано 20 августа 2017 года.
  8. Photo Editing with Generative Adversarial Networks (Part 1). Дата обращения: 19 июля 2017. Архивировано 20 августа 2017 года.
  9. Michael Dietz. On the intuition behind deep learning & GANs—towards a fundamental understanding (недоступная ссылка)
  10. Anders Boesen Lindbo Larsen and Sren Kaae Snderby Generating Faces with Torch. Дата обращения: 19 июля 2017. Архивировано 11 июля 2017 года.
  11. Photo Editing with Generative Adversarial Networks (Part 1). Дата обращения: 19 июля 2017. Архивировано 20 августа 2017 года.
  12. Generative Adversarial Nets in TensorFlow Agustinus Kristiadi. Дата обращения: 14 ноября 2017. Архивировано 17 ноября 2017 года.
  13. Image Completion with Deep Learning in TensorFlow. Дата обращения: 14 ноября 2017. Архивировано 15 ноября 2017 года.
  14. Greenemeier, Larry. When Will Computers Have Common Sense? Ask Facebook. Scientific American (20 июня 2016). Дата обращения: 31 июля 2016. Архивировано 24 июля 2016 года.
  15. Generating Videos with Scene Dynamics. web.mit.edu. Дата обращения: 19 июля 2017. Архивировано 20 марта 2017 года.
  16. 3D Generative Adversarial Network. 3dgan.csail.mit.edu. Дата обращения: 19 июля 2017. Архивировано 27 октября 2019 года.


Ссылки
Downgrade Counter