Tezislər / Theses

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). 

---