ICLRMar, 2017

激活极大化生成对抗网络

PDF
TL;DR本文系统研究了当前使用类别标签的生成对抗网络 GANs 以及相关的分类信息对 GAN 网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的 AM-GAN 生成对抗网络方案，在 CIFAR-10 数据集上实现了 8.91 的 state-of-the-art Inception 得分，并提出 AM 得分评价指标以更准确地评估生成样本质量。
generative adversarial netsclass labelactivation maximization generative adversarial networksinception scoresample quality
发现论文，激发创造
  • 类别分割生成对抗网络

    本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能，以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平，即使在无监督设置下同样适用 。

    Sep, 2017

  • 多类开放集分类的生成式 OpenMax

    介绍了一种对多类开放集分类问题的新方法 —— 生成式 OpenMax（G-OpenMax），使用生成对抗网络（GAN）进行新颖类别图像的合成，扩展了 OpenMax。在实验中验证了该方法的优越性，同时还提供了一种从开放空间中呈现未知类别的样本的方法。

    Jul, 2017

  • 用于图像分类的主动生成对抗网络

    本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

    Jun, 2019

  • 使用生成对抗网络的情感分类数据增强

    本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用 GAN 进行数据增强，可以使分类准确率提高 5％〜10％。

    Nov, 2017

  • InfoMax-GAN: 基于信息最大化和对比学习的改进对抗图像生成

    本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

    Jul, 2020

  • 条件生成模型的分类准确率得分

    本研究使用多种类别的条件生成模型推断真实数据的类别标签，并使用分类器在真实数据上进行标签预测，提出了分类准确度评分（CAS）作为新的模型评价指标。实验证明基于自注意力模型的生成模型在 CAS 上显著优于反卷积生成对抗网络模型。

    May, 2019

  • 重启 ACGAN：使用稳定训练的辅助分类器 GAN

    本研究提出了两种方法来改进使用 ACGAN 的 cGAN 生成的问题，一是将输入向量投影到单位超球体上以避免分类器中的梯度爆炸，二是提出了数据 - 数据交叉熵损失以利用分类标签数据中的关系信息，基于这个改进后的模型 ReACGAN 在 CIFAR10，Tiny-ImageNet，CUB200 和 ImageNet 数据集上取得了最先进的生成结果。

    Nov, 2021

  • HexaGAN: 用于现实分类的生成式对抗网络

    本文提出了一种名为 HexaGAN 的深度学习分类算法，它针对问题而来自三个问题（缺失数据，类别失衡和缺失标签），并通过新的预处理方法展现出良好的分类性能。

    Feb, 2019

  • 使用 GAN 生成类别独特和类别共有的图像

    提出了分类器后验 GAN（CP-GAN），它通过将分类器的后验融入生成器输入并优化生成器来实现，以实现捕捉类别之间的关系并有选择地生成图像。

    Nov, 2018

  • 使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

    使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

    Jun, 2018