AI 词汇表
人工智能完整词典
GAN (Generative Adversarial Network)
一种非监督学习架构，由两个竞争性的神经网络组成，它们相互对抗以从随机噪声生成逼真的合成数据。
判别器
GAN中的神经网络，经过训练以区分真实数据和人工生成的数据，在对抗训练过程中充当二分类器。
生成器
GAN中的神经网络，将潜在噪声向量转换为合成数据，逐步学习创建越来越逼真的样本来欺骗判别器。
VAE (Variational Autoencoder)
基于变分推断的生成式架构，学习潜在空间中的概率分布来生成新数据，同时允许连续插值。
变分编码器
VAE的一部分，将输入数据映射到潜在空间中高斯分布的参数（均值和方差），在生成过程中允许随机采样。
变分解码器
VAE的组件，从潜在空间的样本重建原始数据，学习将潜在点映射到逼真的生成结果。
KL散度 (Kullback-Leibler)
衡量两个概率分布之间差异性的度量，在VAE中用作正则化项，以约束潜在空间遵循标准高斯分布。
模式崩溃
GAN中的现象，生成器仅产生有限数量的不同类型输出，忽略了训练数据集的多样性，并人为地最小化对抗损失。
潜在空间
降维向量空间，数据以紧凑形式表示，允许插值、算术和采样操作来生成新数据。
Pix2Pix
用于图像到图像翻译的条件性GAN架构，使用成对的图像，应用对抗损失结合L1损失来保证结构一致性。
CycleGAN
能够学习无配对图像领域间翻译的GAN架构，使用循环一致性损失来保留原始图像特征。
StyleGAN
高级GAN架构，使用映射网络和自适应风格块，在不同空间尺度上分层控制视觉特征以生成图像。
深度卷积生成对抗网络 (DCGAN)
先驱性GAN架构，仅使用卷积层，具有特定架构约束，如无池化层和使用批量归一化来稳定训练。
瓦瑟斯坦生成对抗网络 (WGAN)
使用瓦瑟斯坦距离作为训练指标的GAN变体，通过更有意义的梯度提供更好的稳定性并减少模式崩溃。
重建损失
自编码器中测量原始输入与重建输出之间差异的损失函数，通常实现为均方误差或二元交叉熵。
对抗损失
基于生成器和判别器之间零和博弈的损失函数，迫使生成器最小化判别器区分真实数据和生成数据的能力。
特征匹配
这是一种在GAN中的正则化技术，生成器最小化判别器从真实和生成数据中提取的特征之间的距离，提高训练的稳定性。
实例归一化
这是一种应用于批处理中每个样本的归一化技术，在风格网络和GAN中特别有效，用于在图像生成中分离样式和内容。
GAN的渐进式增长
这是一种训练策略，其中生成器和判别器的分辨率逐渐增加，从低分辨率图像开始，逐层添加以达到高分辨率生成。