介绍了一种名为三角生成对抗网络 (Δ-GAN) 的模型,用于半监督跨域联合分布匹配,其中包括图像分类和图像转换等多领域应用。
Sep, 2017
本文比较了基于生成对抗网络的半监督学习方法中的 Bad GAN 和 Triple GAN 两种方法在不同基准数据集上的表现,并展示它们在图像生成和标记数据量敏感度方面的不同特性,以期为基于 GAN 的半监督学习的未来提供参考。
May, 2019
将生成对抗网络扩展到半监督学习中,强制鉴别器网络输出类标签,能够创建更具数据效率的分类器以及比正常 GAN 生成更高质量的样本。
Jun, 2016
本文提出了一种名为 Mixture GAN (MGAN)的新方法,该方法采用多个生成器的混合训练,旨在克服 mode collapsing 问题,通过理论分析得出结论,证明了在平衡状态下,多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小,生成器之间的 Jensen-Shannon 差异最大,从而有效地避免了 mode collapsing 问题,能够在多项实验中取得明显的优势。
Aug, 2017
本文介绍了一种新的条件生成模型 ——TAC-GAN,该模型用新的辅助分类器可以有效地增加生成数据的多样性,实验证明该模型在真实数据集上可以显著提高类别条件的图像生成的多样性。
Jul, 2019
本文介绍了一种新颖的生成模型 —— 条件生成对抗网络,可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字,并提供了一个多模态的模型应用示例,演示了如何生成不属于训练标签的描述性标签。
Nov, 2014
本文提出了一种新型的 GAN 结构 ControlGAN,通过将特征分类器与鉴别器分离,设计了一个可以控制样本特定详细特征的生成器,并使用多个图像数据集进行了评估,展示了 ControlGAN 在生成具有良好控制特性的改进样本方面的潜力。此外,我们证明了 ControlGAN 可以为插值和外推输入标签生成中间特征和相反特征,这表明 ControlGAN 可以显着增加生成样本的多样性。
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
通过引入一种简单的方法,使真实数据分布经过一个‘透镜’传达给辨别器,让生成器逐步揭示出更多细节特征,改善了 GAN 训练的质量、稳定性和收敛速度,对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。
Feb, 2018
研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络(GAN),这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架,旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。
Jul, 2018