史上最强BigGAN生成不存在的妹子，你知道吗？

栗子比策源于奥飞寺

量子位报告 | 公众号QbitAI

过去，GAN 的辉煌几乎完全集中在生成的图像上。

生成不存在的女孩。

△ 来自英伟达 StyleGAN

产生不存在的妻子。

△ 来自英伟达 StyleGAN

它甚至发展到可以帮助女孩脱衣服的程度。

△ 来自 DeepNude

但现在不同了。

DeepMind 的两位领导者改造了“史上最强”的 BigGAN，并让新算法做图像分类，打破了 ImageNet 无监督表示学习的记录。

也就是说，半路出家的BigBiGAN，干掉了一群专注分类20年的AI玩家。

△ 我有主角光环

同时，它产生的图像质量仍然非常出色。

但是，如果只将其视为 BigGAN 的升级版，那就太简单了。

我不叫 BigBigGAN

GAN 之父 Ian Goodfellow 帮助团队画了一波焦点：

它被称为 BigBiGAN编码器的意思是什么，而不是 BigBigGAN。

Bi的意思是双向的，也就是说它有一个编码器和一个生成器。

我也开始将其视为 BigBig。

那么，让我们从这里开始吧。

GAN 中加入编码器的想法继承自其前身 BiGAN：

在原始 GAN 架构中编码器的意思是什么，生成器是从随机采样的潜在变量（也称为噪声）到生成的数据（假图像）的前馈映射。

编码器将真实数据（真实图像）映射到潜在变量。这样就有了两个不同方向的映射，就变成了双向GAN。

事实上，BiGAN 过去也在 ImageNet 上做过图像分类。但团队表示，BiGAN 的生成器是 DCGAN 中的那种，不能生成高质量的图像，所以编码器学习到的语义会受到影响。

因此，研究人员决定让 BiGAN 的编码器爱上 BigGAN 的生成器。

但如果是这样的话，你不会高兴的。

别忘了，判别器也是 GAN 的重要组成部分。它不断地看穿生成器的作品，让对方产生的假图像越来越逼真。

判别器本身就是一个强大的神经网络，团队希望它能在“语义”层面强调图像的重建误差，而不需要过多关注底层细节。

考虑到这一目标，该团队开发了“联合鉴别器”。

与普通判别器不同的是，它的输入不仅仅是图像数据（真实图像和假图像），而是图像数据+潜变量的配对数据。

那么，它要区分的不是真图和假图，而是真图和潜变量的对（来自编码器），以及假图像和潜变量的对（来自生成器） .

虽然新算法的名称 BigBiGAN 并不能反映生成器的唯一性，但它是完整的 BigBiGAN：

那么，现在让我们来看看结果。

打破 ImageNet 记录

在 ImageNet 图像分类任务上，BigBiGAN 成为了地表最强的无监督算法。

与现有的监督逻辑回归分类器相比，BigBiGAN 将 ImageNet 的 top-1 准确率提高到 61.3%。

作为一个合格的 GAN，BigBiGAN 肯定具有制造“假照片”的功能。

从无监督 BigBiGAN 模型中选择的图像重建结果。第一行是真实图像；第二行是根据上面的图像 x 重建的图像。

与大多数 GAN 不同，例如像 BigGAN 这样的像素级图像重建，BigBiGAN 更注重高级表示学习，更适合图像分类任务。

该论文还写道，消融实验表明，强大的生成模型有助于学习表示，而强大的推理能力反过来又可以提高大规模生成模型的性能。

看看 BigBiGAN，论文在这里：

高级 BigGAN：

毕根前辈：

ps都来自一个团队。

– 结束-

真诚招聘

Qubit正在招聘编辑/记者到北京中关村工作。我们期待有才华和热情的学生加入我们！相关详情请在QbitAI对话界面回复“招聘”二字。

Qubit QbitAI·今日头条署名作者

վ’ᴗ’ ի 追踪人工智能技术和产品的新发展