MAGAN: 生成对抗网络的边缘自适应
本研究提出了 Gang of GANs (GoGAN) 方法,将 WGAN 的鉴别器损失推广到基于边界的方法,实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题,并采用一种新的 GAN 质量测量方式,并在四个视觉数据集上进行了评估,相较于 WGAN 有了视觉和定量的改进。
Apr, 2017
提出了一种基于边界损失的领域一般化方法(MADG 算法),该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域,同时通过边界损失和 Rademacher 复杂性进行理论分析,实验证明在各种真实 DG 数据集的基准测试上表现一致。
Nov, 2023
本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体, 它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中,从而支持一种新的损失函数,并提供一种有意义的衡量网络生成输出质量的方法,实验证明 MNIST 数据集的 PGAN 能够生成逼真的图像并计算出与生成图像质量相关的似然度,同时 PGAN 在处理 GAN 训练过程中通常存在的稳定性问题方面具有更好的性能。
Aug, 2017
本文介绍了一种新的基于生成式对抗网络模型的数据集成方法:Manifold-Aligning GAN (MAGAN),并通过单细胞生物学实例表明其可行性,该方法能够成功的将两种不同的测量类型(基因组学和蛋白组学)进行对齐,从而加强其对生物信息学研究中相关指标的识别和检测。
Feb, 2018
该论文提出了一个统一的框架来解释和证明采用梯度惩罚的生成式对抗网络(GANs)的有效性,该框架基于最大化期望的边界和采用 L-infinity 梯度范数和铰链损失惩罚方法对 GANs 进行优化会提高生成样本的质量并减少梯度消失等问题。
Oct, 2019
通过构建生成对抗网络的方式,训练了一个具有良好分类性能的判别器对自然图像进行抠图,并采用扩张卷积来提取全局上下文信息,从而实现了对头发等细微结构进行有效抠图。
Jul, 2018
本文提出了一种面向高分辨率人脸属性编辑的掩码引导生成对抗网络 (MagGAN),通过使用预先训练的人脸分析器中的语义面部掩码来指导细粒度的图像编辑过程。
Oct, 2020
生成对抗网络(GAN)已经成为一种生成高保真数据的强大工具,并且采用监督方法提出了 Monte Carlo GAN(MCGAN)算法,以解决现有方法在生成器训练上缺乏监督导致的振荡与性能不佳的问题,并且数值结果表明 MCGAN 在质量、准确性、训练稳定性和学习潜在空间等方面明显且一致地改进了现有的 GAN 模型。
May, 2024
本文提出了 Guided Adversarial Margin Attack (GAMA),该攻击能够更有效地指导对抗样本的生成;同时,使用所提出的松弛项进行对抗训练,可以提高单步防御的效果,从而达到了最先进的性能水平。
Nov, 2020