Generare una nuova realtà: Dagli autoencoder e dalle reti avversarie ai deepfake

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes

Contenuto del libro:

Capitolo 1: Deep Learning PerceptronObiettivo del capitolo: in questo capitolo vengono introdotte le basi del deep learning, dal perceptron al perceptron multistrato. Numero di pagine: 30Sub -Topics1. Comprendere l'apprendimento profondo e l'apprendimento supervisionato. 1. Utilizzo del perceptron per l'apprendimento supervisionato. 2. Costruire un perceptron multistrato. 3. Scoprire le basi dell'attivazione, della perdita, dell'ottimizzazione e della back propagation per problemi di regressione e classificazione.

Capitolo 2: Liberare gli autoencoder e le reti avversarie generativeObiettivo del capitolo: questo capitolo introduce l'autoencoder e la GAN per la generazione di contenuti semplici. Lungo il percorso impariamo anche a utilizzare gli strati della rete convoluzionale per una migliore estrazione delle caratteristiche. N. di pagine: 30Sub - Argomenti 1. Perché abbiamo bisogno degli autoencoder e come funzionano. 2. Miglioramento dell'autoencoder con gli strati di rete convoluzionale. 3. Generazione di contenuti con la GAN. 4. Esplorare metodi per migliorare la GAN vanilla.

Capitolo 3: Esplorare lo spazio latenteObiettivo del capitolo: in questo capitolo scopriamo lo spazio latente nell'IA. Cosa significa muoversi nello spazio latente dell'IA utilizzando autoencoder variazionali e GAN condizionali. N. di pagine: 30 Argomenti secondari: 1. Comprendere la variazione e l'autoencoder variazionale. 2. Esplorazione dello spazio latente con un VAE. 3. Estensione di un GAN per essere condizionale. 4. Generare alimenti interessanti utilizzando una GAN condizionale.

Capitolo 4: GAN, GAN e ancora GANObiettivo del capitolo: in questo capitolo iniziamo a scoprire le vaste variazioni delle GAN e le loro applicazioni. Si parte dalle basi, come la GAN a doppia convoluzione, per arrivare alle GAN Stack e Progressive. N. di pagine: 30Sub - Argomenti: 1. Esaminare esempi delle numerose varianti di GAN. 2. Configurare e utilizzare un DCGAN. 3. Capire come funziona uno StackGAN. 4. Lavorare e utilizzare un ProGAN.

Capitolo 5: Traduzione da immagine a immagine con le GAN.

Comprende: Pix2Pix e DualGAN, progetti collaterali per la comprensione di ResNET e UNET, architetture di rete avanzate per la classificazione/generazione di immagini.

Capitolo 6: Traduzione di immagini con coerenza di ciclo.

Comprende: Perdita di coerenza del ciclo e CycleGAN, BiCycleGAN e StarGAN.

Capitolo 7: Stilizzazione con le GAN.

Coperture: StyleGAN, Attention e Self-attention GAN con uno sguardo a DeOldify.

Capitolo 8: Sviluppare DeepFakesObiettivo del capitolo: I DeepFakes stanno conquistando il mondo e in questo capitolo esploriamo come utilizzare un progetto DeepFakes. Numero di pagine: 301. Imparare a isolare volti o altri punti di interesse in immagini o video. 2. Estrarre e sostituire volti da immagini o video. 3. Utilizzare DeepFakes GAN per generare immagini facciali in base all'immagine di ingresso. 4. Mettere tutto insieme e permettere all'utente di generare il proprio video DeepFake.

Capitolo 9: Scoprire gli Adversarial Latent AutoencodersObiettivo del capitolo: le GAN non sono l'unica tecnica che consente di manipolare e generare contenuti. In questo capitolo esaminiamo il metodo ALAE per la generazione di contenuti. N. di pagine: 1. Esaminare come estendere gli autoencoder per l'apprendimento adversariale. 2. Comprendere come l'AE possa essere utilizzato per esplorare lo spazio latente dei dati. 3. Utilizzare ALAE per generare contenuti condizionali.