7.2 可控性与可解释性 GAN

文档摘要

7.2 可控性与可解释性 GAN 7.2 可控性与可解释性 GAN 生成对抗网络（GANs）在图像生成、风格迁移等领域取得了显著的成功，但其黑盒特性和缺乏控制能力一直备受诟病。传统的GAN训练完成后，往往难以精确控制生成结果的特定属性，也难以理解生成器内部的学习机制。因此，可控性和可解释性成为了GANs研究的重要前沿方向，旨在提升GANs的实用性和可靠性。 7.2.1 可控性 GAN 可控性GAN的目标是允许用户在生成过程中控制生成结果的特定属性，例如颜色、形状、姿态等。这种控制可以通过多种方式实现： 7.2.1.1 基于条件GAN (Conditional GAN, CGAN) CGAN 是可控性GAN的基石。