堆叠式生成对抗网络

CVPRDec, 2016

Stacked Generative Adversarial Networks

Xun Huang, Yixuan Li, Omid Poursaeed, John Hopcroft, Serge Belongie

TL;DR本文提出了一种名为 SGAN 的新型生成模型，其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈，对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量，SGAN 能够生成质量更高的图像。

Abstract

In this paper, we propose a novel generative model named Stacked Generative Adversarial Networks (SGAN), which is trained to invert the hierarchical representations of a bottom-up discriminative network. Our model consists of a top-down stack of GANs, each learned to generate lower-lev

generative model stacked generative adversarial networks representation manifold inception scores visual turing test

发现论文，激发创造

StackGAN++：堆叠生成对抗网络实现逼真图像合成

本文提出了堆叠式生成式对抗网络 (Stackgan)，该网络采用两个阶段和多个生成器和判别器构成的树状结构，用于高分辨率、逼真的图像生成。经过大量实验验证，该网络在生成逼真图像方面表现优于其他方法。

Oct, 2017

SGAN：一种生成对抗网络的替代训练方法

本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

Dec, 2017

结构式生成对抗网络

该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

Nov, 2017

自注意力生成对抗网络

本文介绍了一种基于自注意力机制的生成对抗网络（SAGAN），它能够在图像生成任务中实现关注驱动的远距离依赖关系建模，并通过对 GAN 生成器实施谱归一化技术，取得了对图像生成任务来说最好的表现。

May, 2018

SSGAN: 基于生成对抗网络的安全隐写

本文提出了一种基于生成对抗网络的安全隐写术新策略，使用新形式的对抗生成网络取得了显著的收敛速度和图像质量改进，并重构了隐写分析网络以更好地评估生成图像的性能，在公共数据集上进行了大量实验以证明所提方法的有效性和鲁棒性。

Jul, 2017

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

具有奇异值剪切的时间生成对抗网络

本文提出了一种生成式模型 Temporal Generative Adversarial Nets（TGAN），用于学习未标记视频的语义表示，并能够生成视频。我们的模型利用两种不同类型的生成器：时间生成器和图像生成器，解决了利用现有的基于 GAN 的方法生成视频时存在的问题。为了稳定训练，我们采用了最近提出的 Wasserstein GAN 模型，并提出了一种稳定的端到端训练方法。实验结果表明了我们方法的有效性。

Nov, 2016

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

图形生成对抗网络

提出了一种名为 Graphical Generative Adversarial Networks（Graphical-GAN）的模型，结合了贝叶斯网络和生成性对抗网络的能力来建模结构化数据。引入了一个结构化的识别模型来推断给定观测值的潜在变量的后验分布，并将期望传播（EP）算法广义化，以同时学习生成模型和识别模型。最后，提出了两个 Graphical-GAN 的重要实例，即高斯混合 GAN（GMGAN）和状态空间 GAN（SSGAN），可分别成功学习视觉数据集的离散和时间结构。

Apr, 2018

概率生成对抗网络

本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体，它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中，从而支持一种新的损失函数，并提供一种有意义的衡量网络生成输出质量的方法，实验证明 MNIST 数据集的 PGAN 能够生成逼真的图像并计算出与生成图像质量相关的似然度，同时 PGAN 在处理 GAN 训练过程中通常存在的稳定性问题方面具有更好的性能。

Aug, 2017