الشبكات التوليدية المتنافسة الشرطية المستمرة: خسائر تجريبية جديدة وآليات إدخال التسميات

تُقدّم هذه الدراسة شبكة التوليد التنافسية الشرطية المستمرة (CcGAN)، وهي أول نموذج توليدي لتكوين الصور بناءً على شروط مستمرة وScalars (تسمى بوسوم الانحدار). تم تصميم الشبكات التوليدية الشرطية الحالية (cGANs) بشكل رئيسي للشروط الفئوية (مثل وسوم الفئات)؛ أما التحديد بناءً على وسوم الانحدار، فهو متمايز رياضيًا ويطرح مشكلتين أساسيتين: (P1) نظرًا لوجود عدد قليل جدًا (أو حتى صفر) من الصور الحقيقية لبعض وسوم الانحدار، فإن تقليل النسخ التجريبية الحالية لخسائر cGAN (المعروفة أيضًا بخسائر cGAN التجريبية) يفشل غالبًا في التطبيق العملي؛ (P2) نظرًا لأن وسوم الانحدار هي قيم قياسية وعدد لا نهائي من هذه القيم، فإن الطرق التقليدية لتقديم الوسوم غير قابلة للتطبيق. تحل CcGAN المشكلتين المذكورتين على التوالي من خلال: (S1) إعادة صياغة الخسائر التجريبية الحالية لـ cGAN لتكون مناسبة للسياق المستمر؛ و(S2) اقتراح طريقة بسيطة لتقديم الوسوم (NLI) وطريقة محسّنة لتقديم الوسوم (ILI) لدمج وسوم الانحدار في المولّد والمنافس. تؤدي إعادة الصياغة في (S1) إلى اقتراح خسائر تجريبية جديدة للمنافس، تُسمّى على التوالي بخسارة المنافس الودي الصلبة (HVDL) وخسارة المنافس الودي اللينة (SVDL)، بالإضافة إلى خسارة تجريبية جديدة للمولّد. تم استخلاص حدود الخطأ لمنافس يتم تدريبه باستخدام HVDL وSVDL ضمن افتراضات معتدلة في هذه الدراسة. كما تم اقتراح مجموعتي بيانات معيار جديدتين (RC-49 وCell-200) ومقاييس تقييم مبتكرة (المسافة الفريشيت المزدوجة المنزلقة) لدعم هذا السياق المستمر. تُظهر تجاربنا على مجموعات بيانات الدوائر ثنائية الأبعاد من توزيع غاوسي (Circular 2-D Gaussians)، وRC-49، وUTKFace، وCell-200، وبيانات زاوية التوجيه أن CcGAN قادرة على إنتاج عينات متنوعة وعالية الجودة من توزيع الصور بناءً على وسم انحدار معطى. علاوةً على ذلك، في هذه التجارب، تتفوّق CcGAN على cGAN بشكل ملحوظ من حيث الجودة البصرية والكمية.