PG-SWGAN
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- ETH Zurich
- Typ organizacji
- Academia
- Kraj
- Switzerland
- Opublikowany
- 15 June 2019
- Autorzy
- Jiqing Wu, Zhiwu Huang, Dinesh Acharya, Wen Li, Janine Thoma, Danda Pani Paudel, Luc Van Gool
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Image generation
- Zadanie
- Image generation
- Format numeryczny
- FP32
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- tokens
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open (non-commercial)
looks like code but no weights, no license specified: https://github.com/musikisomorphie/swd
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Unknown
- Cytaty
- 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"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Sliced Wasserstein Generative Models
- Ostatnio zaktualizowane
- 1 December 2025
Co oznaczają liczby
O tym modelu
PG-SWGAN został opublikowany przez ETH Zurich, w kraju zapisanym jako Switzerland, podczas June 2019. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Image generation, i jest zapisany jako wykonujący zadanie image generation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Kryterium włączenia: sOTA improvement.
Odpowiedzi
PG-SWGAN — częste pytania
PG-SWGAN— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
PG-SWGAN— kto to stworzył?
Zostało opublikowane przez ETH Zurich, oparty na Switzerland, organizacja sklasyfikowana jako academia.
PG-SWGAN— kiedy to zostało wydane?
Zostało opublikowane w June 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
PG-SWGAN— do czego to służy?
Działa w dziedzinie Image generation, i jest zarejestrowany jako realizujący zadanie image generation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
PG-SWGAN— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
PG-SWGAN— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.