通过对抗训练生成隐写图片
本文综述了在医学图像方面使用对抗性训练方案的最新进展,这种方法利用生成对抗网络,能够在不显式建模概率密度函数的情况下生成数据,具有域自适应、数据增强和图像处理等优点。
Sep, 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
使用条件生成对抗网络,将输入图像映射到较低的维度向量,从而最小化训练时这些图像和潜在向量之间的距离,学习正常样本的数据分布,并在推理时利用学习到的数据分布,在各种基准数据集上表现出比先前最先进方法更好的模型性能
May, 2018
提出一种基于知识蒸馏和对抗学习的方法,通过设计更加轻量化的学生生成器和判别器,来实现在移动设备上学习图像生成模型的目标,并在基准数据集上取得了较强的性能表现。
Mar, 2020
该论文提出了一种基于生成对抗网络 (GAN) 框架下的新防御机制来对抗黑盒攻击,在经验上表现良好并能与利用梯度下降的集成对抗训练和对抗训练等最先进的方法媲美。
May, 2019
本论文介绍了一种基于对抗损失的图像修复半监督学习方法,通过生成器填充图像中的孔洞,再用鉴别器判断图像的真实性,以实现对鉴别器的有监督训练,并在 STL-10 和 PASCAL 数据集上表现出与现有方法相当甚至更好的性能。
Nov, 2016
本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景,提出了一种半监督框架实现语义分割,其中利用推理出的大量虚假图片来强化真实数据的特征聚类;同时,通过提供分类级别信息,提高 GAN 生成图像的质量,进而改善了像素分类,该方法经过在几个挑战性的基准视觉数据集上测试,表现与当前的最先进语义分割方法相当。
Mar, 2017