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
诊断训练不稳定：振荡与发散
这部分内容有帮助吗？
- Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, 2014 arXiv preprint arXiv:1406.2661 DOI: 10.48550/arXiv.1406.2661 - 介绍了生成对抗网络的基本框架和对抗训练目标，这对于理解训练不稳定性的来源和最小最大博弈至关重要。
- Improved Training of Wasserstein GANs, Ishaan Gulrajani, Faruk Ahmed, Martin Arjovsky, Vincent Dumoulin, Aaron Courville, 2017 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.1704.00028 - 通过引入带有梯度惩罚的 Wasserstein 距离，显著提高了 GAN 的训练稳定性，直接解决了梯度消失/爆炸和模式崩溃等常见问题。
- Are GANs Created Equal? A Critical Review with Initial Guidelines for Fair Comparisons, Mario Lucic, Karol Kurach, Marcin Michalski, Sylvain Gelly, Olivier Bousquet, 2018 NIPS'18 DOI: 10.48550/arXiv.1711.10337 - 讨论了评估 GAN 的各种定量和定性指标，这对于诊断训练健康状况并通过生成样本识别模式崩溃等问题至关重要。
- Deep Learning (Chapter 20: Generative Adversarial Networks), Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 提供了对生成对抗网络的详细学术论述，包括其理论基础、训练动态以及导致不稳定性问题的固有挑战。