Hako

Problems

本文研究的问题是：在GAN的latent space上操作${z}$，使得Generator生成的图像的Memorability 对应地进行变化。Image Memorability：人的感觉上记住一张图像的可能性。

• • Problems
  • Paper Framework
  • Methods
  • Conclusions
  • 问题
  • 对比
• Reference

本文是对"Interpreting the Latent Space of GANs for Semantic Face Editing. [paper] [codes]"[2]一文的学习。

Introduction

本文研究的问题是：在latent space上修改输入噪声，操作GAN生成的图像不同语义。
本文的工作都基于以下假设：

Assumption 1:

对任意一维线性变化的语义，存在 latant space 上的分类超平面可以分离他们的极端值。

基于原文的意思，这个假设应该是最合理的。

Introduction

本文是对几篇GAN的略读，主要阐述想法和技术，其中蕴含的idea或者实现细节搁置不提，有机会再提出来单独讲讲吧，included papers:

• SGAN(StackedGAN)
• InfoGAN

Introduction

GAN大领域内的资料整理，会逐渐地更新划分成多个小领域，可能有多个papers包含在不同的领域中。

Papers

Uncoditional GANs

Unconditional GAN 是最原始的GAN的任务，对目标的图片的分布建模，学习映射${z \to x}$。

• Generative Adversarial Nets. ( GAN )
• Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks ( LPGAN )
• Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. ( DCGAN )
• Progressive Growing of GANs for Improved Quality, Stability and Variation. ( PG-GAN )
• A Style-Based Generator Architecture for Generative Adversarial Networks. ( Style-GAN )
• Analyzing and Improving the Image Quality of StyleGAN. ( Style-GAN2 )

Introduction

领域解纠缠表示学习（Disentangled Representation Learning）的相关资料：包含论文、tutorial等。

主要的分类： (1) 使用方法： GAN, VAE 等; (2) 监督类型: 无监督、半监督(弱监督，使用 group-paired 的样本)。

本文是对"on the steerabilty of generative adversarial networks"[2]一文的学习。

Introduction

研究的问题阐述：对latent space的隐变量${z}$进行移动得到${z^{\ast}}$，使得GAN生成的图片${G(z^{\ast})}$是原来生成的图片${G(z)}$通过某种变换之后得到的图片，本文提出了线性和非线性两种移动方法。
本文研究的变换包括：

• 颜色变换。
• 目标物体的放大和缩小。
• 左右上下移动。
• 旋转变化。

Methods

主要包含三个部分的内容：

1. 构造 ${z^{\ast}}$ 的方法，分为线性和非线性两种。
2. 对生成图像的变换效果量化。
3. 提出两种降低该方法的限制的方法。

记录下对blog的需求，确实有很多不方便的地方。。。

Need new features

• [x] 公式中的{\*}不能正常解析，还是需要一个办法，其实最好的办法就是对$,$$符号内的行间和行内公式不进行markdown的解析，but why can’t we do that？

  使用\ast替代。

• [ ] markdown本身的语法是行末两个以上空格、或者空行换行，为什么hexo-render-marked只要文本换行就显示换行呢？

• [ ] 我终于认识到我对LaTeX和Markdown的差异的关键在缩进，尤其是首行缩进。

• [ ] 公示里的双大括号\{\{,\}\}会被误认为是标记的变量名，造成解析错误。

可能最终还是要走向LaTeX记录笔记的道路了，可惜blog不支持，所以找了相关的LaTeX2Markdown的项目。

前言

本文主要讨论用于衡量图片质量的常用方法和用于评估 GAN 效果的方法。

• MSE
• PSNR
• SSIM[1]
• MS-SSIM[2]

前言

本文主要总结下不同领域下 GAN 的 评估方法：

• Inception Score(IS)
• FID (Frechet Inception Distance)

这两个算是最常用的。

First post of blogs

Recently I am gonna migrate my blog to hexo, and I am gonna explore hexo with more intersting things, from the start, I may just use the default hexo theme – landscape.

Still, the first things I should do is to make Mathjax work compatibly with Hexo. Let’s take the equations below for an example.

$G^{*} = \arg \min_{G} \max\_{D} \left[ \mathbb{E}\_{x \sim p\_{data}} (\log D(x)) + \mathbb{E\_{z \sim p\_{z}}} \log( 1 - D(G(z))) \right]$

The following steps are based on hexo-markdown-rendered render and mind I have changed it to hexo-renderer-markdown-it-plus, So it would be out of date.