条件图像合成与辅助分类器 GANs
使用条件生成对抗网络(conditional GANs)从语义标签图中合成高分辨率照片般真实的图像,并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构,生成 2048x1024 的视觉吸引力结果。此外,我们将我们的框架扩展到与两个额外功能的交互式视觉操作,它们是:将对象实例分割信息整合进去以进行对象操作(如删除 / 添加对象和更改对象类别),以及提出一种方法,可以在给定相同输入的情况下,生成不同的结果,允许用户交互式地编辑对象外观。人的意见研究表明,我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。
Nov, 2017
本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法,并提出了一种截断技巧来控制生成器输入方差,从而在生成高保真度和多样化样本方面实现平衡。该方法应用于 ImageNet 数据集上,在 128x128 分辨率下,IS(Inception Score)为 166.5,FID(Frechet Inception Distance)为 7.4,表现超过之前的方法。
Sep, 2018
我们提出了一种高分辨率的语义图像合成方法,它由基本图像生成器和多个类别特定生成器组成。使用类特定模型的生成器进行独立训练,可以产生高质量的高分辨率图像,同时具有对象级别控制的灵活性。
Oct, 2021
本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型,学习在数据匹配和标签匹配之间平衡的方法,并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题,实验结果表明其在多个真实数据集上具有良好的效果。
Aug, 2021
本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络,实现在仅使用少量标签数据的情况下,超越当前最先进的深度生成模型,并在 ImageNet 的无监督合成和有条件的情况下,匹配 BigGAN 模型的样本质量。
Mar, 2019
本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能,以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平,即使在无监督设置下同样适用 。
Sep, 2017
本文提出了一种两阶段的框架,用于加速合成高分辩率图像的训练过程,其通过已训练好的编码器和解码器网络将高分辨率图像变换为小编码,并通过训练一种编码生成网络学习潜在编码的分布,生成器只学习生成小的潜在编码,最后通过解码器网络将生成的潜在编码转化为图像空间,提高了合成样本的质量,并在可用硬件资源的限制下大幅缩短了训练时间。
Sep, 2019
本研究提出了一种新的方法,改进了生成对抗网络(GANs)训练的能力,可以根据文本输入合成多样的图像,这种方法基于条件版本的 GANs,扩展了前人利用判别器中的辅助任务,通过负样本采样来构造积极和消极的训练样例,通过牛津 102 花卉数据集的实验结果表明,生成的图像更具多样性,特别是当负样本逐渐靠近语义空间中的积极样本时。
Dec, 2018
本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络(GANs)框架,并着重讨论了 GANs 的两个应用程序:半监督学习和图像生成。使用我们的技术,我们在 MNIST,CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果,并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本,呈现出 ImageNet 类可识别特征的学习过程。
Jun, 2016