Vektor-kvanteeritud geneeriline vastandvõrk (VQGAN - Vector Quantized Generative Adversarial Network)

Vector Quantized Generative Adversarial Network (VQGAN) on generatiivne võistlev võrgustik (GAN), mida kasutatakse kujutiste sünteesiks. Võrgustik kasutab vektorkvantimise tehnoloogiat, et luua kvaliteetseid reaalse välimusega pilte, mille treeningaeg ja keerukus on väiksem kui teiste GAN-arhitektuuridega.

VQGAN-i pakkusid esmakordselt välja Jia-Hong Huang jt. 2018. aastal ja sellest ajast alates on see olnud aktiivne uurimisvaldkond. See ühendab kaks tipptasemel süvaõppe tehnikat, nimelt generatiivseid võistlevaid võrke (GAN-id) ja vektorkvantimist, mis võimaldab genereerida kvaliteetseid pilte ja heli madalamate treeningaegade ja keerukusega.

Piltide sünteesi võimaluste saavutamiseks koosneb VQGAN-i arhitektuur kahest osast. Esimene osa on generatiivne võrk (G), mis on koolitatud genereerima näidiseid antud jaotusest. Teine osa on diskrimineeriv võrk (D), mis on koolitatud eristama loodud näidiseid tegelikest andmetest.

Vektori kvantimise osa kasutatakse selleks, et vähendada vajalike parameetrite arvu, mis on vajalikud G jaoks jaotuse täpseks esitamiseks. Seda tehakse kõrgemõõtmelise ruumi kodeerimisel madalamõõtmeliseks ruumiks koodivektorite koodiraamatuga. Loodud näidistel on väiksem esitusvõime kui sisendpildil, kuid need salvestavad siiski kõik olulised funktsioonid väiksema keerukusega.

VQGAN-i on edukalt kasutatud sellistes rakendustes nagu piltide ja heli süntees, loomuliku keele töötlemine, pildist pildiks tõlkimine, allavoolu analüütika ja paljud muud ülesanded. See saavutab oluliselt paremaid tulemusi kui ilma vektorkvantimiseta treenitud GAN-id ja selle väiksem keerukus muudab selle sobivaks reaalajas rakendusteks.

Üldiselt on Vector Quantized Generative Adversarial Network (VQGAN) võimas ja tõhus generatiivne mudel, mis on võimeline tootma kvaliteetseid reaalse välimusega pilte ja heli vähendatud treeningu aja ja keerukusega. Sellel on rakendused paljudes süvaõppe valdkondades ja see on muutumas üha populaarsemaks oma muljetavaldava pildisünteesi võimaluste tõttu.