Machine learning

Jaringan Adversarial Generatif

Jaringan Adversarial Generatif (GAN), yang diperkenalkan oleh Ian Goodfellow dan kolega pada tahun 2014, menghasilkan data sintetis yang realistis melalui persaingan dua jaringan saraf — generator dan diskriminator. GAN banyak digunakan untuk sintesis gambar, augmentasi data, dan estimasi distribusi.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

The neighbourhood of related methods — select a node to explore.

Jaringan Adversarial Generatif

Model Difusi ODE Neural Model Generatif Berbasis…Variational Autoencoder Pelatihan Adversarial CycleGAN: Terjemahan Cit…GAN Adaptif Domain Variational Autoencoder…GAN yang Dapat Dijelaskan Jaringan Adverarial Gene…

+20 more

Sumber

Goodfellow, I. et al. (2014). Generative Adversarial Nets. NeurIPS. link ↗
Karras, T. et al. (2020). Analyzing and Improving the Image Quality of StyleGAN. CVPR. DOI: 10.1109/CVPR42600.2020.00813 ↗

Cara menyitasi halaman ini

ScholarGate. (2026, June 1). Generative Adversarial Network (GAN). ScholarGate. https://scholargate.app/id/deep-learning/generative-adversarial-network

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Model DifusiPembelajaran Mendalam↔ compare
ODE NeuralPembelajaran Mendalam↔ compare
Model Generatif Berbasis SkorPembelajaran Mendalam↔ compare
Variational AutoencoderPembelajaran Mendalam↔ compare

Compare side by side →

Dirujuk oleh

Pelatihan Adversarial CycleGAN: Terjemahan Citra-ke-Citra Tanpa Pasangan dengan Konsistensi Siklus GAN Adaptif Domain Variational Autoencoder Adaptif Domain GAN yang Dapat Dijelaskan Jaringan Adverarial Generatif yang Disesuaikan Halus LoRA dan PEFT GAN Multibahasa Multimodal GAN Variational Autoencoder Multimodal Transfer Gaya Neural Model Difusi Swasupervisi Self-supervised GAN Klasifikasi Citra Mandiri-Terawasi Variational Autoencoder Swadaya-Terawasi Model Difusi Semi-Terawasi GAN Semi-terawasi Variational Autoencoder Semi-terawasi Generasi Data Sintetis untuk Pengendalian Pengungkapan GAN Pembelajaran Transfer Pembelajaran Transfer dengan Autoencoder Variasional Variational Autoencoder Vision Transformer Wasserstein GAN (WGAN)Model Difusi yang Diawasi Secara Lemah GAN yang Diawasi Secara Lemah (Weakly Supervised GAN)Variational Autoencoder dengan Supervisi Lemah

Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →

Baca metode selengkapnya

Method map

Sumber

Cara menyitasi halaman ini

Metode terkait

Which method?

Dirujuk oleh