Глоссарий ИИ
Полный словарь искусственного интеллекта
Дискриминатор Энкодера
Критический компонент VAE-GAN, где дискриминатор оценивает апостериорные реконструкции декодера, заставляя энкодер производить информативные латентные представления для генерации высококачественных изображений.
Совместная Функция Потерь
Функция потерь, объединяющая потерю реконструкции VAE, расхождение KL и состязательную потерю GAN, одновременно оптимизирующая точность реконструкции и качество генерации.
Гладкость Латентного Пространства
Существенное свойство VAE-GAN, обеспечивающее, что непрерывные вариации в латентном пространстве производят семантически согласованные вариации в пространстве генераций, облегчая интерполяцию и манипуляцию.
Компромисс Реконструкция-Генерация
Деликатный баланс в VAE-GAN между точностью реконструкции VAE и перцептивным качеством GAN, требующий точной настройки весов потерь для оптимизации общей производительности.
Интеграция Перцептивных Потерь
Включение предварительно обученных перцептивных метрик в функцию потерь VAE-GAN для оценки семантического сходства вместо покомпонентного сравнения, улучшая визуальное качество генераций.
Вариационный Вывод в GAN
Применение принципов вариационного вывода в структуре GAN, позволяющее изучать приближенные апостериорные распределения и лучше моделировать неопределенность в генерации.
Согласованность Энкодер-Декодер
Ограничение, гарантирующее, что кодирование сгенерированного изображения следует тому же распределению, что и кодирование реальных изображений, поддерживая циклическую согласованность между энкодером и декодером в VAE-GAN.
Условный VAE-GAN
Расширение VAE-GAN, интегрирующее условную информацию (классы, атрибуты) в кодирование и генерацию, позволяющее точный контроль над характеристиками генерируемых образцов.
Иерархический VAE-GAN
Многоуровневая архитектура, объединяющая несколько уровней VAE-GAN для захвата иерархических структур в данных, от глобальных характеристик до мелких деталей.
Прогрессивно растущий VAE-GAN
Стратегия обучения, при которой разрешение генерируемых изображений постепенно увеличивается, стабилизируя обучение и улучшая конечное качество генерируемых изображений высокого разрешения.