NIPSNov, 2016

反演生成对抗网络的生成器

PDF
TL;DR通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。
generative adversarial networkslatent spaceimage projectionmnist digitsomniglot characters
发现论文，激发创造
  • 对抗特征学习

    通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

    May, 2016

  • 利用高斯化的潜空间改善 StyleGAN 中的反演和生成多样性

    本文研究了生成式对抗网络中的潜在向量空间中数据分布模型，提出了一个简单的高斯先验模型，用于规范图像向潜在空间的映射，这样生成的图像更加平滑和稳定，同时维持多样性和减少生成图像中的伪像。

    Sep, 2020

  • 3D GANs 和潜空间：综合调查

    本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

    Apr, 2023

  • ClusterGAN：生成对抗网络中的潜空间聚类

    本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制，通过从一热编码变量和连续变量的混合中采样潜变量，再结合一个特定于聚类的损失函数，与一个将数据投影到潜空间的逆网络共同训练，我们能够在潜空间中进行聚类。结果表明，GAN 可以保留类别之间的潜空间插值，即使鉴别器从未接触过这些向量，并且在合成和真实数据集上，我们的结果比各种聚类基线表现更好。

    Sep, 2018

  • 图像增强和动画的样式生成器反演

    本文探究了用生成式对抗网络 GANs 的最新进展，发现最近提出的 style-generators 可以被用作通用图像先验，其具有线性特性和可逆性，且在图像增强任务方面优于其他 GANs 和 Deep Image Prior。

    Jun, 2019

  • 稳健的 GAN 倒置

    通过在本身潜在空间中调节生成器网络来恢复缺失的图像细节，我们的方法在重建质量和计算效率方面优于传统方法，具有更低的失真和 4 倍少的参数数量。

    Aug, 2023

  • 高保真 GAN 逆向生成及其 Padding 空间

    该研究提出了一种基于 padding space 的编码器结合 laten space 的方法，用于 GAN 的图像编辑任务，改善了空间细节的恢复质量，并实现了对图像更加灵活的编辑操作。

    Mar, 2022

  • 生成网络的潜空间优化

    本文介绍了生成对抗网络的成功因素，并提出 “生成潜在优化” 框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

    Jul, 2017

  • IVE-GAN：不变编码生成对抗网络

    提出了一种新的 “不变编码生成式对抗网络”（IVE-GANs）框架，利用特定数据的不变特征进行逆向映射，使生成器可以涵盖更多数据模式并提升生成效果和表示能力，并在多个数据集上进行了验证。

    Nov, 2017

  • 针对真实图像编辑的域内 GAN 反演

    本文提出了一种域内 GAN 反演方法，旨在通过一个新颖的领域引导编码器将真实图像映射到 GAN 的本机潜在空间中，从而精确重构输入图像并同时确保倒置代码在语义域内，以便支持各种基于变化倒置代码的图像编辑任务。实验表明，我们的反演方法实现了令人满意的真实图像重建，同时大大提高了各种图像编辑任务的效率，并远远超过了当前领先的方法。

    Mar, 2020