Finjusterat generativt adversariellt nätverk
Ett finjusterat GAN utgår från ett stort förtränat generativt adversariellt nätverk och fortsätter den adversariella träningen på en mindre måldatauppsättning, vilket gör att modellen kan syntetisera högkvalitativa prover inom ett nytt domän utan att träna från grunden. Detta överföringssätt minskar dramatiskt data- och beräkningskraven samtidigt som de rika egenskapsrepresentationerna som lärts under förträningen bevaras.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27. link ↗
- Mo, S., Cho, M., & Shin, J. (2020). Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs. CVPR 2020 Workshop on AI for Content Creation. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/sv/deep-learning/fine-tuned-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.
- Finjusterad faltningsnät (CNN)Djupinlärning↔ compare
- Finjusterad diffusionsmodellDjupinlärning↔ compare
- Finjusterad Variational AutoencoderDjupinlärning↔ compare
- Finjusterad Vision TransformerDjupinlärning↔ compare
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Transfer Learning GANDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →