Jun, 2015

使用对抗网络的拉普拉斯金字塔深度生成图像模型

PDF
TL;DR该研究提出了一种生成参数模型，能够在 Laplacian 金字塔框架内使用级联卷积网络，生成高质量、逐步细化的自然图像，并使用 GAN 方法进行训练，使得该模型生成的 CIFAR10 样本在人类评估者的定量评估中被误认为是真实图像的概率高达约 40％。
发现论文，激发创造
  • 深度拉普拉斯金字塔网络实现快速准确图像超分辨率

    本文提出了一种深度 Laplacian 金字塔超分辨率网络，通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构，实现了较高的图像质量和运行时间。

    Oct, 2017

  • 用于图像去雨的轻量级金字塔网络

    本文介绍了一种轻量级网络结构（LPNet）用于图像去雨，采用高斯 - 拉普拉斯图像金字塔分解技术简化学习过程，并采用递归和残差网络结构，以不到 8K 的参数达到最先进的性能，同时讨论了 LPNet 在其他低级和高级视觉任务中的潜在价值。

    May, 2018

  • 使用复合生成对抗网络逐部生成图像

    本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

    Jul, 2016

  • 使用生成对抗网络创建百万像素大小的图像

    本研究介绍一种基于深度卷积生成对抗网络的图像生成方法，能够使用少于两千张图像实现高分辨率（最大 1024x1024 像素）的真实感图像生成，未来可应用于计算机图形学和视觉效果。

    May, 2017

  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • 利用循环对抗网络生成图像

    该篇论文提出一种基于卷积网络的像素优化方法，在此基础上将梯度下降转化为递归算法，并使用生成式对抗网络进行训练，生成高质量图像，并提出一种生成器与判别器间的量化比较方法。

    Feb, 2016

  • 生成对抗扰动

    该研究提出了新型生成模型，用于制造近似自然图像但又能欺骗先前训练好的模型的略微扰动的对抗性样本。通过在具有挑战性的高分辨率数据集上的实验，它证明了这种扰动具有高弄虚率和较小的扰动规模，并且比当前的迭代方法更快。

    Dec, 2017

  • Pioneer Networks：逐步增长的生成自编码器

    提出了一种新颖的生成自编码器网络模型，能够高质量、高分辨率地学习编码和重建图像，并支持从编码器的潜在空间进行平滑的随机采样。

    Jul, 2018

  • 使用潜在对抗生成器创建高分辨率图像

    通过在低分辨率图像的自然图像子空间中采样、使用生成对抗网络的隐空间和灵敏损失函数，提出了一种用于高分辨率自然图像生成的 Latent Adversarial Generator (LAG) 方法，并输出一组相关图像的样本。

    Mar, 2020

  • 图像生成的语义金字塔

    本文提出了一种新的基于 GAN 的模型，该模型利用先前训练分类模型学习的深层特征空间。该模型构建了一个语义生成金字塔层次框架，从中获取低级到高级语义信息的连续数据，生成各种匹配的特征深度的图像样本。实验证明该模型能在各种图像生成和操纵任务中达到灵活和多用途的效果。

    Mar, 2020