StyleGAN-ADA
StyleGAN-ADA er en variant af StyleGAN, der anvender adaptiv diskriminator-augmentering for at træne på begrænsede datasæt.
Kort fortalt
En avanceret model til at generere billeder, som kan trænes selv med meget få eksempler.
- Kategori
- model
- Niveau
- øvet
- Udtale
- /ˈstaɪlˌɡæn eɪ diː eɪ/
Betydninger
1- 1
StyleGAN-ADA er en generativ adversarial netværksarkitektur, der udvider StyleGAN2 med adaptiv diskriminator-augmentering (ADA) for at forhindre overfitting ved træning på små datasæt. ADA justerer augmenteringsstyrken dynamisk baseret på overfittingsgraden.
- StyleGAN-ADA gjorde det muligt at træne en ansigtsgenerator med kun 1.000 billeder. — NVIDIA forskningsartikel, 2020
- Ved hjælp af StyleGAN-ADA kunne vi generere realistiske billeder af sjældne fuglearter fra et lille datasæt. — anvendt forskning, 2021
Hvornår bruges det
StyleGAN-ADA bruges når man har begrænsede mængder træningsdata, typisk under 10.000 billeder, men stadig ønsker at generere realistiske billeder. Den er særlig populær inden for syntese af ansigter eller objekter fra små datasæt i forskning og kreative industrier.
Kodeeksempel
from stylegan2_ada_pytorch import generate, load_pretrained
generator = load_pretrained('ffhq')
image = generate(generator, seed=42)
image.save('output.png')Simpelt eksempel på generering af et billede med en forudtrænet StyleGAN-ADA-model.
Oprindelse
Termen introduceredes af NVIDIA i 2020 i artiklen 'Training Generative Adversarial Networks with Limited Data' som en udvidelse af StyleGAN2 med adaptiv augmentering.