NVIDIA presenta una nueva arquitectura para GAN, la cual ofrece una mejor categorización de las imágenes de prueba y una mayor resolución de las imágenes generadas. Esta arquitectura ofrece además nuevas opciones para el generador, como mezcla de estilos (ver imagen) o variación estocástica (cambios en las imágenes pór alteraciones en el ruido).



Dos conceptos clave que permitieron el desarrollo de esta arquitectura (y que son introducidos por primera vez en el paper) fueron "longitud perceptual de camino" (el impacto de la interpolación en la imagen) y "separabilidad lineal" (uso de una SVM para la clasificación de imágenes).

Debido al tamaño del paper, se adjunta la URL del repositorio en que se encuentra el paper

El título de la tesis es: "Diseño de un Modelo de Redes Generativas Antagónicas para la Reducción del Costo de Desarrollo de Videojuegos Independientes"

Problemática: Con el paso de los años el costo de desarrollo de los videojuegos se ha ido incrementando exponencialmente, incluso con la llegada de herramientas de automatización de creación de videojuegos. Esto se debe, en gran parte, a la demanda de usuarios por una mejor calidad en videojuegos, lo que incurre en mayores costos de diseño, específicamente en el lado de los personajes.

Técnica: Red Generativa Antagónica (GAN)
La GAN consiste en dos redes neuronales, una generadora y una discriminadora, diseñadas para la generación de muestras de alta confiabilidad respecto a muestras de prueba (comúnmente imágenes, pero pueden ser otras) mediante un juego minimax. Estas redes neuronales pueden ser perceptrones multicapa entrenados mediante retropropagación, entre otros, ya que la GAN está diseñada para ser.

Guías del tema:
https://skymind.ai/wiki/generative-adve ... etwork-gan
https://machinelearningmastery.com/what ... orks-gans/
https://developers.google.com/machine-learning/gan