GAN圖像生成模型之畫質與效能強化
近年來,名為生成對抗網路的非監督式學習方法蓬勃發展,透過使產生假資料的生成器與辨別資料真偽的辨別器互相學習,只要提供資料集便可學習其特徵而生成出能以假亂真的資料。本研究提出一套針對現有生成圖像的生成對抗網路模型的改良方法,透過進行實驗探討不同變因對生成品質與效率的影響,調整原有的優化器設置、卷積層參數、模型架構等,並以客觀指標評估實驗結果,證實經過本研究提出的方法改良有更好的效果。另外改進的方式應用在各種資料集訓練的模型及更高解析度的模型,數據表明也有不錯的成果。而本研究希望能提供更明確的模型改進方向給研究人員,並減少嘗試改良模型所花費的時間與能源成本,以此減少訓練龐大的模型所造成的環境影響。