Edit README.md

README.md

@@ -51,9 +51,9 @@ Pour améliorer la génération d'images et éviter les ambiguïtés entre certa
 | **cGAN avec Discriminateur Multi-Class** | Le générateur produit des chiffres conditionnés sur le label, et le discriminateur apprend à classifier les images dans une des 10 catégories de chiffres ou comme fausses. | Améliore la qualité des images générées et réduit l’ambiguïté entre les chiffres. |
 
 #### Exemples d'images générées de numéro (3) par le cGAN avec Discriminateur (real/fake) :
-![images d'exemples de chiffres générés par le DCGAN](images/generated_mnist_num3_1_.png)
+![Images générées de numéro (3) par le cGAN avec Discriminateur (real/fake)](images/generated_mnist_num3_1_.png)
 #### Exemples d'images générées de numéro (3) par le cGAN avec Discriminateur Multi-Class :
-![images d'exemples de chiffres générés par le DCGAN](images/generated_mnist_num3_2_.png)
+![Images générées de numéro (3) par le cGAN avec Discriminateur Multi-Class](images/generated_mnist_num3_2_.png)
 
 ## Conclusion
 - Les GANs permettent de générer des chiffres manuscrits réalistes.
@@ -80,7 +80,8 @@ In the cGAN architecture, the generator chosen is a U-Net.
 #### **Architecture & Implementation:**
 The encoder takes a colored picture (3 channels: RGB), processes it through a series of convolutional layers, and encodes the features. The decoder then reconstructs the image using transposed convolutional layers, utilizing skip connections to enhance details.
 
-_(Insert U-Net architecture diagram)_
+![architecture Unet](images/unet_architecture.png)
+
 
 ### **Question:**
 Knowing that the input and output images have a shape of 256x256 with 3 channels, what will be the dimension of the feature map "x8"?