VAEGAN:Keras的论文“使用学习的相似性度量自动编码超出像素”的实现

【文件属性】：
文件名称：VAEGAN:Keras的论文“使用学习的相似性度量自动编码超出像素”的实现
文件大小：651KB
文件格式：ZIP
更新时间：2021-05-16 15:04:02
Python 瓦根 使用学习的相似性指标自动编码超出像素 对于这个项目，我们将重建Larsen等论文中指定的模型。 al。 （2016）。 （ ） 依存关系 凯拉斯 麻木 枕头 matplotlib 数据集 -使用对齐的图像，然后将其调整为64x64像素 概述 在这种方法中，将变分自动编码器（VAE）与生成对抗网络（GAN）组合在一起，以学习更高级别的图像相似性度量，而不是传统的逐元素度量。 模型如图1所示。 图1 VAE-GAN网络概述 编码器将数据样本$ x $编码为潜在表示$ z $，而解码器则尝试从潜在矢量重构$ x $。 该重建被馈送到GAN的判别器中，以了解更高级别的样本相似性。 使用公式1中的损失函数同时训练VAE和GAN，该函数由来自编码器的先验正则项，重构误差和GAN的样式误差组成。 但是，此组合丢失功能并未应用于整个网络。 图1显示了用于训练VAE / GAN网络的算法。 公

【文件预览】：
VAEGAN-master
----VAEGAN.py(7KB)
----images()
--------netover.PNG(16KB)
--------images(1B)
--------combloss.PNG(14KB)
--------results.PNG(470KB)
--------netalgo.PNG(148KB)
----VAEGANtest.py(499B)
----README.md(2KB)