机构名称：
¥ 1.0
生成的对抗网络（GAN）由于能够捕获复杂的高维数据分布而无需广泛的标签，因此近年来受到了极大的关注。自2014年的受孕以来，已经提出了各种各样的GAN变体，其中包含替代体系结构，优化器和损失功能，目的是提高性能和训练稳定性。本手稿着重于量化GAN结构对特定图像降解模式的弹性。我们进行系统的实验，以经验确定10个基本图像降解模式的影响，该模式应用于训练图像数据集，对条件深度卷积GAN（CDCGAN）产生的图像的Fréchet距离（FID）。我们在𝛼 = 0处找到。05水平，亮度，变暗和模糊在统计学上比完全删除降级数据的统计学意义更大，而其他降解通常可以安全地保留在训练数据集中。此外，我们发现，在随机部分遮挡的情况下，所得的GAN图像的FID接近降级训练集的闭塞水平，这令人惊讶的是，GAN FID的性能等于训练集的75％下降。
探索对AFIT学者的弹性
主要关键词
相关文件推荐
