NIPSMay, 2017

VEEGAN: 使用隐式变分学习减少 GAN 中的模式崩塌

PDF
TL;DRVEEGAN 是一种新颖的自动编码器，它通过反转生成器的作用从数据到噪声的映射来解决 GAN 中的 mode collapse 问题，并针对噪声提供了新的自动编码器损失函数。它在合成和真实图像数据集中，相较于其他 GAN 变体，产生更逼真的样本并且抵制模式坍缩。
deep generative modelsveegangenerative adversarial networksautoencoder lossmode collapse
发现论文，激发创造
  • 基于模式寻找的生成对抗网络用于多样化图像合成

    本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题，提出了一种简单而有效的正则化项，最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力，此正则化方法可广泛应用于各种不同的条件生成任务中，不会增加训练负担或修改现有的网络结构，实验证明该方法在提高多样性方面效果显著。

    Mar, 2019

  • IVE-GAN：不变编码生成对抗网络

    提出了一种新的 “不变编码生成式对抗网络”（IVE-GANs）框架，利用特定数据的不变特征进行逆向映射，使生成器可以涵盖更多数据模式并提升生成效果和表示能力，并在多个数据集上进行了验证。

    Nov, 2017

  • 多元敏感的条件生成对抗网络

    这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

    Jan, 2019

  • 利用自适应多对抗训练克服模式崩溃

    本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

    Dec, 2021

  • 使用深度变分 GAN 进行文本生成

    本文提出了一个基于 GAN 的通用框架来解决当前模型中的 mode-collapse 问题，并将标准 GAN 目标更改为最大化对数似然的变分下限，同时最小化数据和模型分布之间的 Jensen-Shanon 散度。我们将我们的模型与文本生成任务的实验相结合，表明它可以生成高多样性的真实文本。

    Apr, 2021

  • 查看 GAN 无法生成的内容

    本文提出一种可视化 GAN 模式折叠问题的方法，通过应用语义分割网络来比较生成图片中分割对象的分布与训练集中目标分布的差异，进而发现被 GAN 遗漏的对象类别，并给出相应的可视化结果。同时，采用更简单的 GAN layer 反演方法来检测多个数据集上 GAN 的典型失败情况。

    Oct, 2019

  • MGGAN：使用流形引导训练解决模式崩溃

    本文提出了一种新的算法，即基于流形引导的生成式对抗网络（MGGAN），其利用现有 GAN 结构上的引导网络，使生成器能够学习数据分布的所有模式，以解决模式塌陷问题而不损失图像质量。

    Apr, 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

  • PacGAN: 生成对抗网络中两个样本的优势

    本文提出了一种名为 packing 的方法来处理 GAN 中的模式崩溃现象，其主要思想是修改判别器使其决策基于同一类别的多个样本（真实或者人工生成的）。数值实验表明 packing 在实践中提供了显著的改进。

    Dec, 2017

  • 没有模式被遗漏：使用 GAN 有效捕获数据分布

    本文提出了一种新的简单方法，将基于编码器的目标函数与新颖的损失函数相结合，以在丢失模式问题上改进生成对抗网络（GAN）的训练，其中详细分析了玩具和真实数据集的量化和定性结果，证明了该方法在解决缺失模式问题和提高 GAN 训练方面的有效性。

    Feb, 2018