Generarea unei noi realități: De la autoencodere și rețele adversariale la Deepfakes

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 2 voturi.

Titlul original:

Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes

Conținutul cărții:

Capitolul 1: Deep Learning PerceptronObiectivul capitolului: În acest capitol prezentăm elementele de bază ale învățării profunde de la perceptron la perceptron multistrat. Nr. de pagini: 30Sub -teme1. Înțelegerea învățării profunde și a învățării supravegheate. 1. Utilizarea perceptronului pentru învățarea supravegheată. 2. Construirea unui perceptron multistrat. 3. Descoperiți elementele de bază ale activării, pierderii, optimizării și propagării înapoi pentru probleme de regresie și clasificare.

Capitolul 2: Dezlănțuirea autocodificatoarelor și a rețelelor generatoare adverșialeObiectivul capitolului: Acest capitol prezintă autocodificatorul și GAN pentru generarea de conținut simplu. Pe parcurs, învățăm, de asemenea, despre utilizarea straturilor rețelei convoluționale pentru o mai bună extragere a caracteristicilor. Nr. de pagini: 30Sub - Subiecte 1. De ce avem nevoie de autoencodere și cum funcționează acestea. 2. Îmbunătățirea autocodorului cu ajutorul straturilor rețelei convoluționale. 3. Generarea de conținut cu GAN. 4. Explorarea metodelor de îmbunătățire a GAN vanilie.

Capitolul 3: Explorarea spațiului latentObiectivul capitolului: În acest capitol vom descoperi spațiul latent în IA. Ce înseamnă să ne deplasăm prin spațiul latent al IA utilizând autoencodere variaționale și GAN-uri condiționate. Nr. de pagini: 30 Sub - Subiecte: 1. Înțelegerea variației și a autoencoderului variațional. 2. Explorarea spațiului latent cu un VAE. 3. Extinderea unei GAN pentru a fi condiționată. 4. Generarea de alimente interesante cu ajutorul unei GAN condiționate.

Capitolul 4: GAN-uri, GAN-uri și mai multe GAN-uriObiectivul capitolului: În acest capitol începem să descoperim variațiile vaste ale GAN-urilor și ale aplicațiilor lor. Începem cu elementele de bază, cum ar fi GAN-ul cu dublă convoluție și ajungem la GAN-urile Stack și progresive. Nr. de pagini: 30Sub - Subiecte: 1. Analizați eșantioane din numeroasele variații ale GAN-urilor. 2. Configurați și utilizați un DCGAN. 3. Înțelegeți cum funcționează un StackGAN. 4. Lucrați cu și utilizați un ProGAN.

Capitolul 5: Traducerea de la imagine la imagine cu GAN-uri.

Acoperă: Pix2Pix și DualGAN, proiecte secundare pentru înțelegere cu ResNET și UNET, arhitecturi de rețea avansate pentru clasificarea/generarea imaginilor.

Capitolul 6: Traducerea imaginilor cu consecvența ciclului.

Acoperă: Pierderea consistenței ciclului și CycleGAN, BiCycleGAN și StarGAN.

Capitolul 7: Stilizarea cu GAN-uri.

Acoperă: StyleGAN, Attention și Self-attention GAN cu o privire la DeOldify.

Capitolul 8: Dezvoltarea DeepFakesObiectivul capitolului: DeepFakes iau lumea cu asalt și, în acest capitol, explorăm modul de utilizare a unui proiect DeepFakes. Nr. de pagini: 301. 1. Învățați cum să izolați fețe sau alte puncte de interes în imagini sau videoclipuri. 2. Extrageți și înlocuiți fețele din imagini sau materiale video. 3. Utilizați DeepFakes GAN pentru a genera imagini faciale pe baza imaginii de intrare. 4. Puneți totul împreună și permiteți utilizatorului să își genereze propriul videoclip DeepFake.

Capitolul 9: Descoperirea Adversarial Latent AutoencodersObiectivul capitolului: GAN-urile nu sunt singura tehnică care permite manipularea și generarea de conținut. În acest capitol analizăm metoda ALAE pentru generarea de conținut. Nr. de pagini: 1. Examinați cum să extindeți autoencoderele pentru învățarea adversarială. 2. Înțelegerea modului în care AE poate fi utilizat pentru a explora spațiul latent în date. 3. Utilizați ALAE pentru a genera conținut condiționat.