1樓：Yongcheng Jing
之前這篇文章的作者Ulyanov發表了兩篇Fast Style Transfer的文章。其實這篇文章應該就是作者在做style transfer的時候想到的，因為deep image prior中的方法其實就是feed-forward network based Fast Style Transfer訓練模型時候訓練資料只有一張圖，利用這一張圖訓練好多個epoch的情況。這種方式之前我做style transfer時候一般是用來調模型架構的，因為可以很快得到結果大概知道模型架構好不好，Ulyanov本人也在[1]中證明instance normalization作用時候用了這種方法（Figure 3(a)(b)）。
Deep Image Prior這篇文章將這種方式昇華了一下，回到Style Transfer的根源Image Reconstruction來從根本上考慮這個問題。實在厲害。
[1] Ulyanov, D., Vedaldi, A. and Lempitsky, V.
, 2017, January. Improved texture networks: Maximizing quality and diversity in feed-forward stylization and texture synthesis.
In Proc. CVPR.
2樓：jade zhao
有大神能給分析一下這個理論是不是和GAN的理論是衝突的。我的理解是神經網路能夠學習到低頻特徵，增加一些高頻噪音不會有影響，但在gan中增加一些高頻噪音會導致識別出錯。為什麼？
3樓：mileistone
1、CNN結構是對自然影象非常好的乙個assumption（也可以叫prior）。每個模型都有對資料集的assumption，比如你用lr，那麼就隱含著資料集線性可分，如果資料集是由乙個圓分為兩個類別，那你用lr只能得到乙個很差的結果。而CNN的乙個假設是資料具有區域性相關性，這個和自然影象的資料分布非常匹配；
2、待修復影象未損壞部分的面積遠大於損壞部分。待修復影象其實就是乙個監督資訊，未損壞部分提供正確監督資訊，損壞部分提供錯誤監督資訊。如果待修復影象未損壞部分的面積遠大於損壞部分，在訓練的過程中，待修復影象未損壞部分能主導訓練過程，讓模型學到待修復影象的分布，也就是紋理、圖案之類。
當模型學到了待修復影象的分布後，由於CNN還有空間平穩性這一假設，又可以通過損壞部分周圍畫素點去反推出損壞部分本來的樣子。
用分類任務來做乙個模擬，待修復影象未損壞部分相當於分類任務資料集中有正確標籤的影象，損壞部分相當於錯誤標籤的影象。分類任務訓練資料集的標籤不可能全部都對，正確的標籤提供模型引數朝著目標函式降低的方向走的力，錯誤的標籤反之，只要正確標籤提供的力大於錯誤標籤，那模型在這個資料集上就是可訓練的，否則，是不可訓練的。
請問如何評價 如何評價
YIMING REN 要想清楚，如何評價如何評價，到底是一種怎麼樣的存在。羅曼 羅蘭說過一句富有哲理的話，只有把抱怨環境的心情，化為上進的力量，才是成功的保證。這句話語雖然很短，但令我浮想聯翩。吉姆 羅恩說過一句富有哲理的話，要麼你主宰生活，要麼你被生活主宰。這不禁令我深思。帶著這些問題，我們來審視...
如何評價如何評價19 20賽季切爾西的總體表現？
軒轅吱吱 總的來說，19 20賽季切爾西的表現是令人滿意的。如果打分的話，70分吧。賽季初主教練出走，核心出走，轉會禁令，大面積球員傷缺就決定了我車的開局就是困難模式。一整個賽季裡，我們用著履歷裡只有一年英冠球隊職教經歷的菜鳥主教練蘭帕德，提拔了一大批之青年球員，包括芒特 亞伯拉罕 里斯詹姆斯 祖瑪...
如何評價 導師評價網 mysupervisor org ？
SHERO 看了不同學校的幾個老師的評價，總體感覺評價乙個老師的樣本量太小，很難具有代表性而且整體偏低，還有些詞句顯得非常不尊重。重要的是我們需要的是客觀評價。如何客觀？很難！因為碩士生和博士生已經不太像本科生那樣能夠批量產出了，不同研究生之間異質性太大，容易導致學生的追求 老師的目標以及畢業標準三...