Glosario IA
El diccionario completo de la Inteligencia Artificial
Discriminador del Codificador
Componente crítico del VAE-GAN donde el discriminador evalúa a posteriori las reconstrucciones del decodificador, forzando al codificador a producir representaciones latentes informativas para la generación de imágenes de alta calidad.
Función de Pérdida Conjunta
Función de pérdida que combina la pérdida de reconstrucción del VAE, la divergencia KL y la pérdida adversarial del GAN, optimizando simultáneamente la precisión de reconstrucción y la calidad de generación.
Suavidad del Espacio Latente
Propiedad esencial del VAE-GAN que asegura que las variaciones continuas en el espacio latente produzcan variaciones semánticamente coherentes en el espacio de las generaciones, facilitando la interpolación y manipulación.
Compromiso Reconstrucción-Generación
Delicado equilibrio en los VAE-GAN entre la fidelidad de reconstrucción del VAE y la calidad perceptual del GAN, que requiere un ajuste preciso de los pesos de pérdida para optimizar el rendimiento global.
Integración de Pérdida Perceptual
Incorporación de métricas perceptuales pre-entrenadas en la función de pérdida del VAE-GAN para evaluar la similitud semántica en lugar de píxel por píxel, mejorando así la calidad visual de las generaciones.
Inferencia Variacional en GAN
Aplicación de principios de inferencia variacional al marco GAN, permitiendo el aprendizaje de distribuciones posteriores aproximadas y una mejor modelización de la incertidumbre en la generación.
Consistencia Codificador-Decodificador
Restricción que garantiza que la codificación de una imagen generada sigue la misma distribución que la codificación de imágenes reales, manteniendo la coherencia cíclica entre codificador y decodificador en el VAE-GAN.
VAE-GAN Condicional
Extensión del VAE-GAN que integra información condicional (clases, atributos) en la codificación y generación, permitiendo un control preciso sobre las características de las muestras generadas.
VAE-GAN Jerárquico
Arquitectura multiescala que combina múltiples niveles de VAE-GAN para capturar estructuras jerárquicas en los datos, desde características globales hasta detalles finos.
VAE-GAN de Crecimiento Progresivo
Estrategia de entrenamiento donde la resolución de las generaciones aumenta progresivamente, estabilizando el aprendizaje y mejorando la calidad final de las imágenes generadas en alta resolución.