高教社计算机视觉理论与实践讲义6-生成技术.pdf

Lec6 Image Generation ·AIPKU · 人工智能引论实践课计算机视觉小班 主讲人：刘家瑛 ·AIPKU · 部分讲义来源与致谢 1. David Foster. Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play. 2019. 2. Alexei Efros. Tutorials on Generative Adversarial Networks. ICCV 2017 Tutorial. 3. Hung-yi Lee, Tutorial for Generative Adversarial Network (GAN), .tw/~tlkagk/slide/Tutorial_HYLee_GAN.pdf 4. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio. Generative Adversarial Nets. NeurIPS 2014. 5. Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros. Image-to-image translation with conditional adversarial networks. CVPR 2017. 6. Karsten Kreis, Ruiqi Gao, Arash Vahdat. CVPR 2022 Tutorial: Denoising Diffusion-based Generative Modeling: Foundations and Applications. https://cvpr2022-tutorial-diffusion-models.github.io/ PART 01 生成模型 生成模型 (Generative Model) • 形式化定义 从概率的角度描述了生成数据集的方法, 从该模型中采样即可生成新数据 • 计算机视觉中 基于任务给定的条件, 随机生成符合训练用的数据分布的图像的模型 3 生成模型 • 生成模型过程 4 判别模型 (Discriminative Model) • 监督学习 能够通过带有标签的数据集将输入映射成输出的函数 • 计算机视觉中 尝试区分真实图像和生成器创建的伪图像的分类器 5 判别模型 (Discriminative Model) • 判别模型过程 6 生成与判别模型 • 数学表示 7 生成模型 • 数据分布估计 (Density Estimation) 8 生成模型 • 样本生成 (Sample Generation) 9 生成模型应用 图像风格化 图像生成