Índice

• Exibir

Arquitetura utilizada

⏫ Voltar ao topo

• Exceto quando especificado

• Geradores variados
• Discriminadores variados (ProGAN, PatchGAN e adaptações)
• Loss PatchGAN (Pix2Pix) ou WGAN
  • PatchGAN = Adversária + L1
    • Lambda = 100
  • WGAN = Loss adversária com a distância de Wasserstein + L1
  • WGAN-GP = Loss adversária de Wasserstein com Penalidade de Gradiente + L1
    • Lambda GP = 10
• Otimizador Adam
  • Learning Rate $\alpha = 1e^{-5}$ para gerador e discriminador
  • $\beta_1 = 0.5$ quando a loss = PatchGAN
  • $\beta_1 = 0.9$ quando a loss = WGAN ou WGAN-GP
• Treinamento por 3 épocas
• Batch Size ≥ 10 sempre que possível
• Buffer Size = 100
• Random Jitter não é utilizado
• Imagens em 128 x 128, por economia de tempo e memória

Métricas avaliadas

Losses de treino (em cada iteração)

• Losses de validação (a cada “EVAL_ITERATIONS” iterações)
• Imagem de treino a cada fim de época