图像建模的相关研究

图像建模的结构性损失：图像到图像的转换问题通常用像素分类或回归表示（例如[36、55、25、32、58]）。这些公式将输出空间视为“非结构化”，因为在给定输入图像的情况下，每个输出像素均视所有其他像素为条件。相反，有条件的GAN会学习结构性损失。结构性损失会考虑输出的联合配置。大量文献已经考虑了这种损失，其方法包括条件随机字段[9]，SSIM度量[53]，特征匹配[13]，非参数损失[34]，卷积伪先验[54]，基于匹配协方差统计的损失和损失[27]。条件化GAN的不同之处在于可以了解损失，并且从理论上讲，可以考虑输出和目标之间任何可能的不同结构。

条件化GAN：我们不是第一个在条件框架中应用GAN的人。先前和同步进行的工作已经将GAN置于离散标签[38、21、12]，文本[43]以及图像上。图像条件模型解决了从法线图[52]进行图像预测，未来帧预测[37]，产品照片生成[56]和稀疏注释的生成图像的问题[28、45]（参见[44]自回归解决相同的问题）。其他几篇论文也使用GAN进行图像到图像的映射，但是仅基于无条件得到的GAN，配合其他条件（例如L2回归）来强制输出以达到条件化（斯伦贝谢张团峰采用的就是这种方法）。这些论文在修复[40]，未来状态预测[60]，由用户约束[61]，样式转换[35]和超分辨率[33]指导的图像处理方面取得了令人印象深刻的结果。每种方法都是为特定应用量身定制的。我们的框架的不同之处在于，没有什么是特定于应用程序的。这使我们的设置比其他大多数设置都要简单。

我们的方法在生成器和鉴别器的几种架构选择上也不同于先前的工作。与过去的工作不同，对于我们的生成器，我们使用基于“U-Net”的体系结构[47]，对于我们的鉴别器，我们使用卷积的“PatchGAN”分类器，该分类器仅在图像补丁的规模上对结构进行惩罚。先前在[35]中提出了类似的PatchGAN体系结构，目的是捕获本地样式统计信息。在这里，我们证明了这种方法对更广泛的问题有效，并且我们研究了更改补丁大小的影响。

建模的作用都是什么？

为了达到某种加工目的，人们必须测量、建立和控制各种单元和过程系统的参变量。其中有些是人为设置的，如设备参数；有些是要调节控制的，如某些压力、温度和流量，称为控制变量；有些是只测量而不控制的，称为状态变量。模型化是指把过程各变量之间的依赖关系归纳成数学方程组的工作过程。这种数学方程组也称数学模型（或简称模型）。人们认识和研究客观世界有三种方法，即逻辑推理法、实验法和模型法。模型法是在客观世界和科学理论之间建立起来的一座桥梁，通过这座桥梁，人们可以探岩系统的各个侧面。