LR-GAN: 图像生成的分层递归生成对抗网络

ICLRMar, 2017

LR-GAN: 图像生成的分层递归生成对抗网络

LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation

Jianwei Yang, Anitha Kannan, Dhruv Batra, Devi Parikh

TL;DR我们提出了 LR-GAN，这是一种考虑场景结构和上下文的对抗性图像生成模型，使用前景和背景分别和递归地生成，并以相关上下文方式将前景缝合在背景上，以产生完整自然图像。

Abstract

We present lr-gan: an adversarial image generation model which takes scene structure and context into account. Unlike previous generative adversarial networks (GANs), the proposed GAN learns to generate image bac

adversarial image generation lr-gan contextual image generation scene structure unsupervised learning

发现论文，激发创造

基于层次结构的 GAN 场景生成序列框架

本文提出了一种基于生成对抗网络的场景生成框架，通过显式控制场景的背景和前景的生成器生成多样化的图像并更好的应对仿射变换和前景物体的遮挡等问题。

Feb, 2019

从改进的层次 GAN 中学习前景 - 背景分割

提出了一种自动合成图像和分割掩模的方法，利用生成式对抗网络学习将图像分解成前景和背景层，生成高质量数据集并用于训练前景 - 背景分割网络，同时使用前景背景分割网络稳定分层 GAN 的训练。实验证明其生成质量和分割性能与相关方法相似。

Apr, 2021

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

鲁棒性条件生成对抗网络

该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

May, 2018

ILSGAN: 无监督前景 - 背景分割的独立层合成

采用独立层合成 GAN (ILSGAN) 的显式独立建模方法，以避免信息泄漏，从而在复杂的实际环境下实现强大的前景 - 背景分割性能，并取得了最先进的生成质量和分割性能。

Nov, 2022

使用复合生成对抗网络逐部生成图像

本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

Jul, 2016

自然语言的对抗生成

本文探讨了使用 GAN 自学习等机制解决自然语言生成中离散输出空间问题；通过实验表明，提出的模型在中文古诗生成数据集上取得了最新的高分，可以生成自由语序和概率性上下文无关语法。此外还介绍了一个条件模型，可根据句子特征生成序列。

May, 2017

远程感知图像中的数据增强和适应的条件生成对抗网络

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

语言生成的对抗排名

本文提出了一种新颖的生成对抗网络 RankGAN，用于生成高质量的自然语言描述，其通过给定一个参考组来分析和排名一组人工编写和机器编写的句子，通过相对排名分数来评估数据集的质量以帮助学习更好的生成器，并使用策略梯度技术来优化 RankGAN。多个公共数据集的实验结果清楚地证明了所提出方案的有效性。

May, 2017

使用对抗网络的拉普拉斯金字塔深度生成图像模型

该研究提出了一种生成参数模型，能够在 Laplacian 金字塔框架内使用级联卷积网络，生成高质量、逐步细化的自然图像，并使用 GAN 方法进行训练，使得该模型生成的 CIFAR10 样本在人类评估者的定量评估中被误认为是真实图像的概率高达约 40％。

Jun, 2015