在11月16日「生成对抗网络GAN专题讲座」第1讲中，独立艺术家、游戏开发者大谷Spitzer详细解析了AI影响修复和艺术创作的整体流程、遇到的难点与解决方法、自制案例等内容。错过直播的朋友可以点击文章底部的“阅读原文”观看。

11月22日，香港中文大学MMLab在读博士刘睿将参与到「生成对抗网络GAN专题讲座」第2讲的直播讲解，主题为《基于条件生成对抗网络的多样化图像生成》。

对于图像生成任务，主要是通过生成模型来完成，包括层出不穷的GAN，不同变版的VAE，pixelCNN、pixelRNN等。其中，GAN是用的最多的，也是效果最好的，从不存在的人脸到生成各类的动漫人物、风景画等都可以用GAN做到。

条件生成对抗网络cGAN是最经典的GAN衍生模型之一，它对原始的GAN附加了约束，即在生成模型和判别模型中引入条件变量，使得模型可以生成符合给定条件的图像。但目前大多数的cGAN模型仅生成了一种或两种图像，而现实场景中，我们希望它是无所不能的，可以生成各种我们想要的图像。那如何让cGAN模型生成多样化的图像呢？

许多工作尝试增强输入潜变量和输出图像之间的相关性，以确保潜变量可以控制生成的图像。但这些方法仅考虑了单个潜变量与其生成图像之间的关系，其他潜变量与生成图像之间的关系则被忽略，同时它们还设计了复杂损失函数和额外网络，使得这些方法需要更多的计算开销，并难以即插即用。

在各种机器学习模型中，由于自监督学习中的对比学习可以充分的每个变量之间的关系，因此利用对比学习挖掘每个生成图像和输入潜变量之间的对应关系，在多样化图象生成中展现了很大的潜力。那怎样把对比学习融入到cGAN中实现多样化的图像生成呢？本次讲座带你揭秘。

刘睿是香港中文大学MMLab的在读博士，研究方向为深度生成模型以及其在low-level视觉任务上的应用，并以一作身份发表四篇CVPR、ICCV。

本次讲座将在智东西公开课知识店铺进行，包含主讲和问答两个部分，其中主讲环节40分钟，问答环节20分钟。本次讲座已组建交流群，并邀请刘睿博士加入，欢迎感兴趣的朋友申请。