
<a id="n23-title"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-title)


# 图像变清楚了，细节就是真的吗？

王德泉 · Coding with AI · Lecture 04


<a id="n23-6132bdf19160"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-6132bdf19160)

对抗反馈的建设性作用，是让生成器学会哪些局部纹理与边缘更像目标域中的真实图像。在逐像素平均容易变平滑的地方，它可以提出清晰可辨的细节。接着才问这些细节是否被输入证据支持：外观改善与事实恢复是两项不同的能力。 从一张低清建筑照片出发，平滑候选看上去不够锐利，带有砖缝的候选则像一张更清楚的照片。第一反应往往是后者更好。但“更像清晰照片”和“更接近这栋建筑的原貌”是两项任务。


<a id="n23-d9be876ab4d5"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-d9be876ab4d5)

低清观测可能已经抹掉了墙面细节。一个简单缩小过程会把多个高分辨率像素合成一个数：许多不同细节都可能产生相同的低分辨率结果。模型无法从已经丢失的信息中唯一推出原貌，只能结合训练中学到的规律提出补全。课堂图里的纹理候选用于演示这一点，并不声称两个候选在每个低清像素上严格相等。


<a id="n23-9957a471d97d"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-9957a471d97d)

三类常见反馈在这里做不同工作。像素误差逐位置比较数值，例如 L1 或 L2；感知损失先用一个特征提取器表示图像，再比较特征；对抗反馈则学习候选是否具有目标图像集合的外观。这些要求可以组合并调整权重，但每项都只检查自己看到的信息。换用特征，并没有取消特征选择带来的偏好；加上对抗反馈，也没有让缺失事实重新被观测。


<a id="n23-1061505d3de1"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-1061505d3de1)

**“砖缝更锐利了，为什么还不能说恢复成功？”** 因为可能只是补得更像砖墙。揭开本例选定的高分辨率原图，在同一处墙面核对：如果原貌是灰泥，新增砖缝再自然，也没有忠实恢复这里的材质。独立原图提供了区分候选的证据，而不是另一项审美意见。


[课程图解] 新增砖纹需与原图同位置比较；更锐利的候选未必更忠实。；图中标签与关系：低清观测 平滑重建 纹理候选 已知原图 新增砖缝 这里没有砖缝 清晰是外观；恢复需要证据。
新增砖纹需与原图同位置比较；更锐利的候选未必更忠实。


<a id="n23-83192735ea4c"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-83192735ea4c)

这也解释了为什么像素折中有时显得平滑：多个来处都可能时，降低平均误差可以奖励折中，而一个具体自然纹理需要作出选择。选择本身并不坏。创意设计可以欢迎合理的新纹理；文献修复、测量或证据辨读却不能把新增细节直接当成记录中的事实。成功标准必须随任务改变。


<a id="n23-c1aea876292e"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-c1aea876292e)

下一页看一种更强的训练条件：输入结构图和目标照片来自同一栋楼，位置能够对齐。这样一组配对究竟向模型补充了什么信息？


<a id="n23-states"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-states)


## 画面怎样推进


<a id="n23-b0"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-b0)

平滑与纹理候选看起来不同；锐利本身不能证明忠实于原貌。

[返回这一课堂停点](https://codingai-lec04.pages.dev/classroom/N23.html?step=b0)


<a id="n23-b1"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-b1)

像素、感知特征与对抗反馈分别检查不同层次的差异。

[返回这一课堂停点](https://codingai-lec04.pages.dev/classroom/N23.html?step=b1)


<a id="n23-b2"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-b2)

将候选砖缝与独立原图同位置比较，才能检验新增纹理是否属于原场景。

[返回这一课堂停点](https://codingai-lec04.pages.dev/classroom/N23.html?step=b2)


<a id="n23-materials"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-materials)


## 继续阅读与实验


<a id="n23-learning-unit-001"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-learning-unit-001)


## 一个低清像素，能决定两块高分辨率像素吗？


<a id="n23-learning-unit-002"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-learning-unit-002)

把缩小暂时写成取平均：高分辨率两像素(0,1)和(1,0)，都会变成低清值0.5。仅凭0.5无法判断原来是哪一对。若两种来处等可能，逐像素平方误差的最优折中是(0.5,0.5)；它较平滑，却不是任一原始细节。


<a id="n23-learning-unit-003"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-learning-unit-003)

对抗反馈可以鼓励选择一份更像真实纹理的完整结果，但输入仍没有提供被丢掉的信息。创意补全可以接受合理选择；恢复文献或辨读证据时，必须用独立原图或其他记录核对。清晰度提升与事实恢复，应各自给出证据。


<a id="n23-learning-unit-004"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-learning-unit-004)

接着读：[补得自然为何仍未恢复事实](https://codingai-lec04.pages.dev/lecture.html#ch04-restoration-truth)。


<a id="n23-chapter-reading"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-chapter-reading)


### [CLS 04 · 对抗反馈与图像翻译](https://codingai-lec04.pages.dev/lecture.html#ch04)

按连续正文理解这条方法的训练信号、使用过程与算例；数学与实践在相关问题旁展开。

先看：第4章，从对象和问题开始


<a id="n23-lab08-practice"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-lab08-practice)


### [LAB 08 · 生成器与判别器的真实反馈](https://codingai-lec04.pages.dev/course/notebooks/f16324b960a446e2aa03168c17e9fc0b.html)

固定生成起点比较训练前中后；改变 D:G 更新比，分别读近模式比例与模式覆盖。

先看：先看保存结果与读图解释


<a id="n23-lab03-practice"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-lab03-practice)


### [LAB 03 · CycleGAN：可逆不等于语义正确](https://codingai-lec04.pages.dev/course/notebooks/caf19cffbd744fafb371912863a03e30.html)

先读本册保存结果，再按实现顺序核对一个算例；最后只改一个变量。

先看：先看保存结果与读图解释


<a id="n23-material-1"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N23.html#n23-material-1)


### [Generative Adversarial Networks](https://mit-6s978.github.io/assets/pdfs/lec4_gan.pdf)

比较像素、感知与对抗项分别惩罚什么误差，联系超分辨率中新增纹理的证据边界。

先看：第81–92页