引用radarsat1 · 2017-07
“There was one recent work trying to address this [1] but I'm not 100% convinced and I think a lot more work is warranted in this area.”
提到近期有这方面的尝试,但不完全信服,认为还需更多研究
改造 GAN 目标,使其生成偏离既有风格的“创意”艺术
提出一种生成艺术的系统:通过观看艺术作品学习风格,再通过偏离已学风格、提高生成作品的“唤起潜力”而变得有创意。它在 GAN 的基础上修改目标函数,最大化与既有风格的偏离,同时最小化与艺术分布的偏离。人类受试者实验中,受试者无法区分其生成作品与顶级艺博会上当代艺术家的作品,甚至在多项评分上给前者更高分。
评论者把它作为解决相关问题的近期尝试提到,但自己并不完全信服,认为这方面还需要更多研究。
这条路径先建立 GAN 的卷积实践基础,再了解神经风格迁移中「风格」的表示,最后看 CAN 如何改造 GAN 的目标来偏离既有风格。
DCGAN 提供了稳定训练图像 GAN 的卷积架构,CAN 的生成网络建立在这类架构之上。
读第 3 节的架构约束(去池化层、批归一化、激活函数选择);看生成图像如何在潜空间中插值。
最早把「风格」当作可从网络特征中提取的对象,帮助理解艺术风格在深度模型里的含义。
读内容表示与风格表示(Gram 矩阵)的区分;不必关心优化迁移图像的细节。
目标论文:在 GAN 判别器上加入风格分类,并让生成器最大化偏离风格规范的程度。
读修改后的目标函数:判别器除真假外还预测风格类别,生成器追求风格模糊带来的「创意」;看评估实验的设计。
“There was one recent work trying to address this [1] but I'm not 100% convinced and I think a lot more work is warranted in this area.”