C-RNN-GAN: 连续的递归神经网络与对抗性训练

NIPSNov, 2016

C-RNN-GAN: 连续的递归神经网络与对抗性训练

C-RNN-GAN: Continuous recurrent neural networks with adversarial training

Olof Mogren

TL;DR提出了一种基于生成对抗网络的模型，可以高效地训练连续的序列数据，通过在古典音乐集合上训练该模型来生成音乐，发现音乐的质量随着模型的训练不断提高，并提供了生成音乐的统计数据，通过下载生成的歌曲来评估其质量。

Abstract

generative adversarial networks have been proposed as a way of efficiently training deep generative neural networks. We propose a generative adversarial model that works on →

generative adversarial networks deep generative neural networks continuous sequential data classical music generated music

发现论文，激发创造

生成对抗训练可以提高神经语言模型的表现

本文提出了一种基于生成对抗网络和对抗性训练的正则化方法，可以在神经语言模型中防止过拟合，与常见的对抗性训练方法相比，本方法不需要经过时间的二次反向传播，并且其开销不超过基准方法的 20%。

Nov, 2022

生成对抗网络中的持续学习

通过减少灾难性遗忘，本研究将最新工作应用于在一系列不同分布的序列上训练生成对抗网络并实现连续生成建模。

May, 2017

利用循环神经网络和对抗训练进行人体动作合成与控制

本研究提出了一种新的生成式深度学习网络，用于人体动作的合成和控制，通过结合循环神经网络（RNN）和对抗训练来进行优化。研究表明，该模型可以高效地生成自然流畅的动作序列，并通过各种比较与实验，证明其卓越性能和有效性。

Jun, 2018

基于循环生成对抗网络的语言生成，无需预训练

本文提出一种利用课程学习和逐步教授 RNN 编写难度递增且长度可变的序列的方法，从而使其能够使用 GANs 生成文本。

Jun, 2017

序列生成对抗网络生成多声部音乐

本文提出了一种基于序列生成对抗网络的应用方法 (SeqGAN)，用于创建和捕获音符和和弦的多声部音乐序列的表征，同时利用神经网络从该嵌入式音乐词空间的模拟分布中学习预测序列的分布，实验表明该方法可以稳定地训练 GAN 并创造出具有音乐连贯性且在定量和定性方面均有所提升的音乐序列。

Oct, 2017

正则化生成对抗网络

提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

Feb, 2021

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

生成对抗网络概述

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

对抗特征匹配的文本生成

该研究提出了一种通过敌对训练生成逼真文本的框架，采用了 LSTM 作为生成器，卷积网络作为判别器，并使用核距离度量匹配真实和合成句子的高维潜在特征分布，从而缓解了模式崩溃问题，并在定量评估方面表现出优越性，证明了该模型可以生成逼真的句子。

Jun, 2017

利用生成对抗网络增强角色设计师的创造力

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023