ICCVMar, 2017

通过非对称训练生成细粒度图像的 CVAE-GAN

PDF
TL;DR本文提出一种融合自编码器和生成式对抗网络的变分生成式对抗网络模型，用于合成细粒度类别中的图像。该模型采用交叉熵损失和均值偏差目标函数，学习潜在属性和标签对图像的影响关系，并利用特征匹配保持生成图像的结构。实验结果表明该模型可以生成高度写实、具有细粒度标签的图像。
variational generative adversarial networkfine-grained synthesiscross-entropy lossencoder networkimage generation
发现论文，激发创造
  • 细粒度图像搜索的对抗学习

    本论文提出了一种名为 FGGAN 的端到端网络，通过从多视角图像中隐式学习几何变换的方式来学习判别性表征，进而解决精细图像检索中由于姿态变化造成的难点；该网络使用生成式对抗网络（GAN）自动处理复杂视角和姿态的差异，并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像，与基线相比实现了 10% 的相对改进。

    Jul, 2018

  • 自动编码生成对抗网络的变分方法

    本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

    Jun, 2017

  • 多阶段变分自编码器用于粗到细的图像生成

    使用多段式 VAE 模型生成高品质图像，通过使用残差块和跳跃连接来增加解码器网络的容量，并使其能够使用多段式生成精细的图像。

    May, 2017

  • 改进具有深度特征一致性和生成对抗训练的变分自动编码器

    本文提出了一种改进变分自编码器性能的新方法，通过实施生成对抗训练机制，使得 VAE 输出逼真自然的图像；同时，还使用多视图特征提取策略提取有效的图像表示，从而获得了在面部属性预测上最先进性能。

    Jun, 2019

  • 多对抗变分自编码网络

    介绍了 Multi-Adversarial Variational autoEncoder Networks (MAVENs) 网络结构，它是 VAE-GAN 网络的一个创新应用，在人工合成图像方面有很好的表现。

    Jun, 2019

  • 基于生成对抗网络的对比细粒度类聚类

    本研究提出了一种基于信息生成对抗网络和对比学习的无监督细粒度图像聚类方法，旨在学习特征表示，促进数据集在嵌入空间中形成明显的聚类边界，同时最大化潜在编码与图像观测之间的互信息。实验结果表明，该方法在四个细粒度图像数据集上实现了最先进的聚类性能，同时缓解了模式崩溃现象。

    Dec, 2021

  • 生成模型的对抗性示例

    本篇研究探索在变分自编码器（VAE）和 VAE-GAN 等深度生成模型中生成对抗性样本的方法，并提出了三种攻击方式来测试针对 MNIST、SVHN 和 CelebA 数据集训练的网络，分别利用基于分类的对手，直接利用 VAE 的损失函数生成重构图像，以及直接优化源和目标潜在表示之间的差异。

    Feb, 2017

  • 面具感知写实人脸属性编辑

    本研究使用变分自动编码器 (VAE) 和生成式对抗网络 (GAN) 相结合的方法，设计了 M-AAE 算法，在保持面部细节的前提下修改图片特征，通过面部识别损失和循环一致性损失，以及生成面部口罩来强化 VAE 和 GAN 的训练目标，成功生成了高质量、保留细节的图像，并超越了现有方法。

    Apr, 2018

  • 图像、标签和标题的深度变分自编码器

    研发了一种新型变分自编码器，采用 Deep Generative Deconvolutional Network 作为潜在图像特征的解码器，采用卷积神经网络作为图像编码器，支持建模带标签 / 标题的图像；在测试时，通过对分布的平均来预测标签 / 标题。

    Sep, 2016

  • 可学习的语义数据增强的细粒度识别

    通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

    Sep, 2023