人工智能大量噪音图像复原基于监督和非监督相结合的条件GAN（特约点评：利用大量噪音图像转换基于监督和非监督相结合的条件GAN对于图像复原领域是一个巨大创新很好的指导意义。来自网友大鹏的推荐！）

人工智能大量噪音图像复原基于监督和非监督相结合的条件GAN简介：图像到图像的转换和更一般的条件图像生成是计算机视觉的核心。条件生成对抗网络（cGAN）[1]已经成为该领域的主导方法，例如，在密集回归中。他们接受源信号作为输入，例如以图像或文本形式的先前信息，并将其映射到目标信号（图像）。理想情况下，输出应该是来自目标流形的样本，然而cGAN的映射不会限制输出，因此它可以任意离开目标流形[9]。这对学术和商业应用来说都是一个关键问题。如果我们的目标是将cGAN或类似方法用作生产技术，它们需要可靠并且在大量噪音下具有性能保证。

监督回归和分类均受噪声敏感和缺乏输出限制的影响。一个值得注意的研究领域是用无监督学习模块补充监督。无监督模块形成一个新的途径，可以提供相同或不同的数据样本。无监督的途径使网络能够探索标记的训练集中不存在的结构，同时隐含地约束输出。只有在训练阶段才需要添加无监督模块，并且在推理期间不会产生额外的计算成本。在中，原始自底向上网络被修改为在训练期间包含自顶向下的模块。然而，在密集回归中，默认情况下，自下而上和自上而下的模块都存在，因此这些方法不是微不足道的扩展到密集回归任务。

人工智能大量噪音图像复原基于监督和非监督相结合的条件GAN贡献：受监督和非监督途径相结合的启发，我们提出了一种新的条件GAN，其中包括潜在子空间中的隐式约束。我们投入这个新模型'鲁棒的条件GAN'（RoCGAN）。在原始的cGAN中，生成器接受源信号并将其映射到目标域。在我们的工作中，我们（隐含地）限制解码器产生仅跨越目标流形的样本。为此，我们用双路径模块替换原始发生器，即编码器 - 解码器。与cGAN生成器类似，第一个通路执行回归，而第二个通路是目标域（无监督通路）中的自动编码器。这两条路径共享相似的网络结构，即每条路径都包含一个编码器 - 解码器网络。两个解码器的权重是共享的，这促使两个路径的潜在表示在语义上相似。直观地说，这可以被认为是限制了我们的密集回归的输出以跨越目标子空间。即使没有相应的输入样本，无监督通路也可以利用目标域中的所有样本。在推断过程中，不需要监督通路，因此测试复杂性与cGAN保持一致。我们证明RoCGAN与原始GAN（即收敛和最优鉴别器）具有相似的理论性质。设计合成数据的实验是为了使上述子空间可视化并评估我们的直觉。此外，通过对自然场景和人脸两幅图像进行深入实验，可以完成不同的任务以评估模型。我们将RoCGAN与最先进的cGAN和最近的方法[12]进行比较。实验结果表明，RoCGAN在所有情况下均大大超过基线。

人工智能大量噪音图像复原基于监督和非监督相结合的条件GAN实现：表示法：给定一组N个样本，s（n）表示第n个条件标签，例如，先前的图像; y（n）表示相应的目标图像。除非明确提及，否则将声明A1规范。就像cGAN一样，RoCGAN由一个发生器和一个鉴别器组成。 RoCGAN的生成器包括两条路径，而不是原始cGAN的单路径。 第一种途径，即所谓的reg途径从此与cGAN中的对应物进行类似的退化; 它接受来自源域的样本并将其映射到目标域。 我们引入一个额外的无监督通路，命名为AE通路。 AE路径作为目标域中的自动编码器。 两种路径都具有相似的体系结构，即它们都由编码器 - 解码器网络组成。 这两条途径共享解码器的权重，这会鼓励回归的输出跨越目标流形，而不会导致任意大的误差。 发生器的示意图如图1所示。鉴别器可以保持与cGAN相同：它接受reg路径的输出以及相应的目标样本作为输入。

人工智能大量噪音图像复原基于监督和非监督相结合的条件GAN结论：我们引入了鲁棒条件GAN（RoCGAN）方法，这是一种新的条件GAN，即使面对大量的噪声，它也能够利用无监督数据学习更好的潜在表示。 RoCGAN的发电机由两条通路组成。 第一路径（reg路径）执行从源到目标域的回归。 新增路径（AE路径）是目标域中的自动编码器。 通过增加两个解码器之间的权重共享，我们隐含地约束reg路径以输出跨越目标流形的图像。 我们提供了一个线性类比（在附录中），并演示RoCGAN如何创建更强大的结果，同时我们证明它与GAN具有相似的收敛性质[25]。 我们通过实验演示了合成数据以及来自自然场景和人脸的图像，RoCGAN超越了现有的最先进的条件GAN体系结构。