THE 3 rd INTERNATIONAL SCIENTIFIC CONFERENCES OF STUDENTS AND YOUNG RESEARCHERS dedicated to the 99
th
anniversary of the National Leader of Azerbaijan Heydar Aliyev
115
dudlaşdırmaq üçün “dövrün ardıcıl itirilməsi” mexanizmi istifadə edilir [Yeh et
al., 2017].
Vasser ş teyn GR Ş itki funksiyası Vasserşteyn məsafəsi daxil edilməklə
dəyişdirilir. Nəticədə Vasserşteyn şəbəkəsinin itki funksiyası təsvirin
keyfiyyəti ilə əlaqədardır. Bundan başqa, öyrənmənin dayanıqlılığı yaxşılaşır
və arxitekturadan asılı olmur [Arjovsky et al., 2017].
T ə kmill əşə n GR Ş (Progressive GAN, ProGAN) – təkmilləşdirilmiş
Vasserşteyn şəbəkəsi əsasında yaradılıb, öyrədilmə zamanı yeni laylar tədri-
cən əlavə olunur. Bu layların hər biri həm diskriminator, həm də generator
üçün təsvirlərin çözümünü artırır. Yüksək görüntülü təsvirlərin yaradılması
böyük problemdir. Təsvir nə qədər böyükdürsə, şəbəkənin səhv etməsi o
qədər asandır, çünki o daha mürəkkəb və incə detalları yaratmağı öyrən-
məlidir. ProGAN şəbəkəsində əvvəlcə kiçik miqyaslı laylar öyrənilir, sonra
model diqqəti irimiqyaslı strukturların təmizlənməsinə cəmləşdirir.
StyleGAN – ProGAN-nın təsvirin generasiyası zamanı spesifik xüsu-
siyyətlərinin pozulması problemini həll etmək üçün üslub əsaslı generativ
model olaraq tətbiq edilir. StyleGAN generator şəbəkəsinin arxitekturtasını
yenidən qurur, tərtib edilmiş keyfiyyətə ziyan vuran üslublara kiçik miqyasda
dəyişikliklər etməklə təsvir sintezini düzgün idarə etməyə imkan verir [Karras
et al., 2019].
GRŞ-nin video (MocoGAN, Pose-GAN, VGAN), təsvir (CycleGAN,
DiscoGAN, PAN, Pix2pix), musiqi (C-RNN-GAN, ORGAN, SeqGAN) gene-
rasiyası, mətnin təsvirə çevrilməsi (StackGAN, TAC-GAN) və s. üçün müx-
təlif arxitekturaları təklif edilmişdir [Wang et al., 2021].
GRŞ ilk generativ model deyil. GRŞ-nin əsas alternativləri variasiya
avtoenkoderi, avtoreqressiv modellər, axın modelləri və hibrid modellərdir.
Onların hər birinin GRŞ ilə müqayisədə oxşar və fərqli, üstün və çatışmayan
cəhətləri vardır [Nowozin et al., 2016].
Generativ modellərin güclü sinfi olaraq, GRŞ-lər nümunə verilənlərin
paylanmasını aydın şəkildə proqnoz edə bilmirlər, lakin real nümunələrlə eyni
paylanmaya uyğun gələn yeni nümunələr generasiya etməyi öyrənirlər. Eyni
zamanda bu şəbəkələr müxtəlif təsvirlərin klassifikasiyası, proqnozlaşdırma,
üz tanınması kimi effektiv işlərə tətbiq edilmişdir. Əhəmiyyətli olan odur ki,
GRŞ-lər təlimdə daha çox dövrlərlə daha yüksək keyfiyyətli şəkillər istehsal
etməyə meyllidirlər.
İstinadlar 1. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio,
Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139144.
2. Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., & Chen, X. (2016).
Improved techniques for training gans. Advances in neural information processing
systems, 29, 2234-2242.
3. Yeh, R. A., Chen, C., Yian Lim, T., Schwing, A. G., Hasegawa-Johnson, M., & Do, M. N.
(2017). Semantic image inpainting with deep generative models. In Proceedings of the
IEEE conference on computer vision and pattern recognition (pp. 5485-5493).