LadaGAN–EfficientNetV2 是我在國立東華大學資訊工程學系「深度學習基石與實務」課程完成的第二個作業。我負責把 LadaGAN 人臉生成、synthetic dataset 建立與真假影像評估串成一條可檢查的 pipeline；這是一個已完成的 bounded experiment，不是正在維護的生成產品。
這個 Project 真正要回答的問題是：當生成器已經能產生很像真的 64×64 人臉時，判別器是否仍能從固定的資料切分與前處理中學到可泛化的差異？因此 Profile 同時保留成功結果、失敗模型、checkpoint 數量與評估資料的界線；完整的模型演進、圖表與限制放在相關 Overview Article。
專案範圍與結果
- 在 CelebA 上訓練 LadaGAN，並在實驗記錄中追蹤第 1–30 個選定 checkpoint 的生成來源
- 依每個 checkpoint 產生 5,000 張 synthetic faces；報告記錄的主要設定合計 150,000 張
- 把生成影像與真實 CelebA 影像組成 real/fake 資料，再比較分類器
- 以 EfficientNetV2-B1 完成判別器實驗；報告中的 30,000 張評估資料記錄 29,972 張正確，但這不等於跨來源或盲測的泛化保證
這個 Profile 是完整作品集中的 compact case file：它說明 Project 的角色、可驗證成果與證據入口；模型演進、圖表與評估 caveats 放在相關 Overview Article。