PG-SWGAN
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- ETH Zurich
- Tipo de Organización
- Academia
- País
- Switzerland
- Publicado
- 15 June 2019
- Autores
- Jiqing Wu, Zhiwu Huang, Dinesh Acharya, Wen Li, Janine Thoma, Danda Pani Paudel, Luc Van Gool
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation
- Formato numérico
- FP32
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open (non-commercial)
looks like code but no weights, no license specified: https://github.com/musikisomorphie/swd
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Unknown
- Citas
- 136
"For fair comparison, we equip the same progressive growing architecture with our proposed SWGAN objective and its dual SWD blocks (PG-SWGAN). As shown in Fig. 3 (Right) and Fig. 5, our PG-SWGAN can outperform PG-WGAN in terms of both qualitative and quantitative comparison on the CelebA-HQ and LSUN datasets"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Sliced Wasserstein Generative Models
- Última actualización
- 1 December 2025
Qué significan los números
Acerca de este modelo
PG-SWGAN fue publicado por ETH Zurich, en el país registrado como Switzerland, durante June 2019. Sale de una organización categorizada como academia.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Su criterio de inclusión: sOTA improvement.
Respuestas
PG-SWGAN — preguntas comunes
PG-SWGAN— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
PG-SWGAN— ¿Quién lo creó?
Fue publicado por ETH Zurich, basado en Switzerland, una organización categorizada como academia.
PG-SWGAN— ¿cuándo fue lanzado?
Se publicó en June 2019. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
PG-SWGAN— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
PG-SWGAN— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
PG-SWGAN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.