admin管理员组文章数量:1650772
目录
1.特征匹配损失
2. 感知损失
3.特征匹配损失英文
4.参考文献
1.特征匹配损失
其中,中的k主要为了对高分辨率进行的多尺度进行判别,k=1,2,3表示为原图、2倍下采样、4倍下采样,(解决了为区分高分辨率图的真假,判别器需要更大的感受野,即需要更深的网络和更大的卷积核的问题)。T为总共的层数,Ni为每层的elements数。
该损失【1】能够稳定训练。因为生成器必须在多个尺度上生成符合实际的统计数据。
从真假图像的不同尺度中提取特征,并进行“匹配”,使用的是L1 loss。
2. 感知损失
https://arxiv/pdf/1603.08155.pdf
解释:
参见此处
————————————————————————————————————
注:
————————————————————————————————————
3.特征匹配损失英文
4.参考文献
【1】High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs https://arxiv/pdf/1711.11585v1.pdf
【2】Perceptual Losses for Real-Time Style Transfer and Super-Resolution https://arxiv/pdf/1603.08155.pdf
————————————————————————————————————
版权声明:本文标题:特征匹配损失(feature matching loss,LFM),区别于但相似于感知损失 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/xitong/1729534005a1205179.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论