1.5.1 – Modelos Generativos
1.5.1.1 – Redes Neurais Generativas
1.5.1.1.1 – GANs – Geradoras
1.5.1.1.2 – Variational Autoencoders – VAE
1.5.1.1.3 – Modelos de Difusao – U-Net
competição que gera realismo
GANs (Generative Adversarial Networks) usam dois modelos competindo entre si para gerar dados realistas. O gerador cria amostras falsas enquanto o discriminador tenta detectar se são reais ou falsas. Primeiramente, o gerador aprende a enganar o discriminador com amostras cada vez melhores. Além disso, o discriminador melhora sua capacidade de distinguir reais de falsos. Por exemplo, gerar rostos humanos indistinguíveis de fotografias reais.
jogo adversarial e equilíbrio
O treinamento é um jogo de soma zero entre gerador e discriminador. Primeiramente, gerador busca maximizar a taxa de engano do discriminador. Além disso, discriminador busca minimizar seu erro de classificação. Por exemplo, competição leva a qualidade progressivamente melhor. O equilíbrio ideal ocorre quando discriminador não consegue distinguir.
arquiteturas modernas de gan
StyleGAN e BigGAN são arquiteturas avançadas que alcançaram qualidade impressionante. Primeiramente, StyleGAN introduziu controle de estilo em diferentes escalas. Além disso, BigGAN escalou para resoluções e variedade muito maiores. Por exemplo, geram imagens fotorrealistas de pessoas, animais e objetos.
aplicações e revolução criativa
GANs transformaram geração de imagens, vídeos e arte digital. Primeiramente, usadas em moda, design e entretenimento. Além disso, aumentam dados para treinamento de outros modelos. Por exemplo, criar avatares realistas e deepfakes. Para iniciantes, GANs mostram competição gerando excelência. É uma das arquiteturas mais influentes do deep learning.
