从PixelGAN到PatchGans到ImageGAN过程是？PixelGAN和深度学习的关系是？

从PixelGAN到PatchGans到ImageGAN

我们测试了改变鉴别器接受域的Patch大小N的效果，从1×1的“ PixelGAN”到完整的286×286的“ ImageGAN” 。图5显示了定量分析结果，表2量化了使用FCN得分的效果。 请注意，除非另有说明，否则本文其他地方的所有实验均使用70×70 PatchGAN，对于本节而言，所有实验均使用L1 + cGAN损失。

PixelGAN对空间清晰度没有影响，但是会增加结果的色彩（在图6中进行了量化）。 例如，当训练网络具有L1损耗时，图5中的总线被涂成灰色，而由于PixelGAN损耗而变为红色。 颜色直方图匹配是图像处理中的常见问题[46]，PixelGANs可能是一个有前途的轻量级解决方案。

PixelGAN和深度学习的关系是？

本书分为上下两卷，共904页，145万字。本书不仅讨论了机器学习概念、早期神经网络、卷积神经网络、循环神经网络、深度学习优化、深度学习正则化等内容，更包括注意力机制、记忆网络、生成对抗网络、深度聚类、可解释性、对抗样本攻击与防御等其他著作尚未涉及的内容，并有辅助网站在线提供大量论文、代码、数据集和彩图等学习资源供读者边实践边学习。本书可以作为人工智能相关领域的科研人员和工程师的参考用书，也可作为研究生和高年级本科生的教材或学习参考书。