No, ellos no son. El objetivo de una GAN es generar adversarios que engañen al discriminador para que piense que los adversarios son imágenes reales. De esta manera, el generador y el discriminador continuamente intentan vencer entre sí.
Un resultado de entrenar una GAN es que usted genera un generador que puede generar imágenes. Estas imágenes a menudo no son de “aspecto natural” (es decir, no parecen realistas). Sin embargo, eso está fuera del punto.
Un VAE se utiliza principalmente para aprender una distribución paramétrica sobre las entradas (por ejemplo, un gaussiano). Luego puede tomar muestras de esta distribución aprendida para generar nuevas imágenes, que a menudo tienen un aspecto mucho más realista que las de la parte del generador de una GAN. Para aprender esta distribución, la función de pérdida de VAE contiene el costo normal de MSE más un término de divergencia KL para asegurarse de que las imágenes generadas no se alejen demasiado de la distribución real de las imágenes vistas en las entradas.
- ¿Cómo se relaciona el concepto de simetría con la agrupación?
- ¿Puede un contador estar completamente automatizado para 2030? Si es así, ¿cuál es la mejor manera de salvar mi trabajo?
- ¿Cómo lidiamos con conjuntos de datos muy grandes que no caben en la RAM?
- ¿Cuál es la diferencia entre el descenso en gradiente y el descenso coordinado?
- ¿Cuáles son los buenos algoritmos para la extracción de características para grandes conjuntos de datos?