趋近智
高级合成数据生成：GAN和扩散模型
章节 1: 生成模型基本原理回顾
用于生成的概率建模
生成模型分类
高维数据生成中的挑战
GAN 核心
扩散模型原理介绍
章节 2: 高级GAN架构与技术
渐进式生成对抗网络 (ProGAN)
基于风格的生成器（StyleGAN变体）
非配对图像到图像转换 (CycleGAN)
条件生成对抗网络：架构与控制
GAN中的注意力机制
分析与调整GAN潜在空间
动手实践：实现StyleGAN组件
章节 3: GAN训练稳定性与优化
诊断训练不稳定：振荡与发散
模式坍塌：原因与缓解策略
替代损失函数（WGAN, WGAN-GP, LSGAN）
GAN 的正则化方法
双时间尺度更新规则 (TTUR)
GAN的超参数调整策略
动手实践：WGAN-GP 的实现
章节 4: 扩散模型：理论与进阶实现
数学基本原理：随机微分方程
去噪扩散概率模型 (DDPM)
基于得分的生成模型
改进技术：DDIM和方差调度
分类器引导与无分类器引导
扩散模型 (U-Net) 的结构考量
动手实践：构建基础DDPM
章节 5: 合成数据质量评估
生成模型评估中的难题
定量指标：IS、FID、精确率、召回率
分布度量：核Inception距离 (KID)
生成对抗网络（GAN）的感知路径长度（PPL）
定性评估方法
评估条件生成模型
动手实践：计算FID分数
章节 6: 高级应用与整合
高分辨率生成策略
文本到图像生成架构
合成数据：扩充与隐私保护
使用生成模型进行视频生成
结合GAN与扩散模型
计算考量与扩展
实践操作：条件图像生成
非配对图像到图像转换 (CycleGAN)
这部分内容有帮助吗？
- Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks, Jun-Yan Zhu, Taesung Park, Phillip Isola, and Alexei A. Efros, 2017 Proceedings of the IEEE International Conference on Computer Vision (ICCV) (IEEE) DOI: 10.48550/arXiv.1703.10593 - 介绍CycleGAN的开创性论文，详细阐述了循环一致性损失及其在非配对图像到图像翻译中的应用。
- Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, 2014 Advances in Neural Information Processing Systems 27 (NIPS 2014) DOI: 10.48550/arXiv.1406.2661 - 引入生成对抗网络（GANs）的基础论文，为所有基于GAN的架构提供了理论基础。
- Image-to-Image Translation with Conditional Adversarial Networks, Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, and Alexei A. Efros, 2017 Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) DOI: 10.48550/arXiv.1611.07004 - 介绍了pix2pix，一种有监督的图像到图像翻译方法，对CycleGAN的架构和PatchGAN概念产生了深远影响。
© 2025 ApX Machine Learning用心打造