图像生成

🧬 知识点关系网络

随机噪声→生成器→判别器↔真实图像

⬆️ GAN的对抗训练，生成器努力骗过判别器。

GAN —— 生成器从噪声生成图像，判别器区分真假。训练不稳定，需平衡两者能力。
💡 用PyTorch实现一个DCGAN，生成MNIST手写数字。
VAE —— 编码器输出均值和方差，重参数化采样，解码器重建。生成图像较模糊但更稳定。
💡 在VAE的隐空间做插值，观察生成的渐变图像。
扩散模型 —— 前向加噪，反向去噪。Stable Diffusion在隐空间扩散，大幅降低计算量。
💡 用Stable Diffusion生成图片，体验提示词工程。
图像翻译 —— pix2pix需要成对数据，CycleGAN无需成对即可风格迁移。
💡 用CycleGAN将照片转换为梵高风格。

💡 学习贴士： 理论与代码并重，动手实现经典模型，在GPU上验证想法。

前置依赖： 学习图像生成前，建议具备Python编程、线性代数、概率论基础。

后续延伸： 学完图像生成后，可继续深入AI的其他子领域或应用方向。

🔵 已开放 · 可随时探索🟠 生长中 · 内容持续丰富🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

✨ 每个链接都是一扇门，推开即是新世界。

Midjourney、Stable Diffusion。

将自拍照转为动漫风格。

上色、去噪、提高分辨率。

我是一名正在学习图像生成的学生，请用生动易懂的方式为我讲解其核心概念，并结合AI领域的实际应用场景加以说明。