การประยุกต์ใช้ GAN สำหรับการแปลภาพต่อภาพ (Image-to-Image Translation)

Generative Adversarial Networks (GANs) ได้เปลี่ยนแปลงวิธีการที่เราเข้าถึงข้อมูลสังเคราะห์ โดยอนุญาตให้คอมพิวเตอร์สร้างภาพที่สมจริงและแปลระหว่างโดเมนภาพที่แตกต่างกัน หลักสูตรนี้มอบแนวทางที่ชัดเจนในการทำความเข้าใจและการประยุกต์ใช้สถาปัตยกรรม GAN โดยเน้นที่กรณีการใช้งานจริง เช่น การแปลภาพต่อภาพ (image-to-image translation) และความเป็นส่วนตัวของข้อมูล (data privacy) คุณจะได้พัฒนาทักษะในการสร้างแบบจำลองเชิงกำเนิด (generative models) ที่สามารถเชื่อมช่องว่างระหว่างประเภทข้อมูลที่แตกต่างกัน เช่น การเปลี่ยนภาพถ่ายดาวเทียมให้เป็นแผนที่ หรือการปรับปรุงอินพุตที่มีความละเอียดต่ำ คุณจะได้เรียนรู้ที่จะจัดการกับความซับซ้อนของการฝึกอบรมแบบจำลองอันทรงพลังเหล่านี้ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรโดยละเอียดและตัวอย่างโค้ด สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจความสัมพันธ์หลักระหว่างเครือข่ายตัวสร้าง (generator) และเครือข่ายตัวแยกแยะ (discriminator) - ใช้การแปลภาพต่อภาพแบบจับคู่ (paired image-to-image translation) สำหรับงานต่างๆ เช่น การทำแผนที่และการลงสี - ประยุกต์ใช้เทคนิคการแปลแบบไม่จับคู่ (unpaired translation) เพื่อเปลี่ยนสไตล์ข้ามโดเมนที่แตกต่างกัน - สำรวจว่า GANs เพิ่มความเป็นส่วนตัวของข้อมูลได้อย่างไรผ่านการสร้างข้อมูลสังเคราะห์ - ฝึกฝนการทำให้การฝึกอบรม GAN มีเสถียรภาพเพื่อหลีกเลี่ยงปัญหาทั่วไป เช่น mode collapse - ประเมินจริยธรรมเชิงกำเนิดสมัยใหม่และการปรับใช้แบบจำลอง AI อย่างมีความรับผิดชอบ หลักสูตรเริ่มต้นด้วยคำศัพท์ที่จำเป็นและสัญชาตญาณทางคณิตศาสตร์เบื้องหลัง GANs ก่อนที่จะเข้าสู่การอธิบายสถาปัตยกรรมเฉพาะอย่างละเอียดเป็นลายลักษณ์อักษร คุณจะก้าวหน้าจากแนวคิดพื้นฐานไปสู่การนำเฟรมเวิร์กการแปลที่ซับซ้อนไปใช้ หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นที่มีความเข้าใจพื้นฐานด้านการเขียนโปรแกรมที่ต้องการเข้าสู่โลกของ generative AI ไม่จำเป็นต้องมีประสบการณ์มาก่อนในการสร้างแบบจำลองเชิงกำเนิด (generative modeling) เริ่มต้นการเดินทางของคุณสู่ generative modeling ด้วยคู่มือฉบับสมบูรณ์ที่เป็นข้อความนี้