DeLiGAN: 用于多样化和有限数据的生成对抗网络

CVPRJun, 2017

DeLiGAN: 用于多样化和有限数据的生成对抗网络

DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data

Swaminathan Gurumurthy, Ravi Kiran Sarvadevabhatla, Venkatesh Babu Radhakrishnan

TL;DRDeLiGAN 是一种用于有限训练数据场景的新型 GAN 架构，通过将潜在生成空间重新参数化为混合模型并学习混合模型的参数以及 GAN 的参数，实现了在有限数据的情况下生成具有多样性的样本。

Abstract

A class of recent approaches for generating images, called Generative Adversarial Networks (GAN), have been used to generate impressively realistic images of objects, bedrooms, handwritten digits and a variety of other image modalities. However, typical GAN-based approaches require large amounts of training data to capture the diversity across the image moda

generative adversarial networks deligan limited data intra-class diversity inception-score

发现论文，激发创造

DeltaGAN: 基于样本特异性的多样化少样本图像生成

该论文提出了一种基于 Delta GAN 的少样本图像生成方法，其中的重构子网络和生成子网络一起将输入图像变换为同类别的新图像，并配合对抗性 delta 匹配损失函数使其更加多样化。此方法在五种不同的少样本图像数据集上进行了实验验证其有效性。

Sep, 2020

有限数据下的生成对抗网络正则化

该论文提出了一种正则化方法来训练健壮的 GAN 模型，使其在有限的训练数据下表现更好，并且在几个基准数据集上的实验证明了该方法在提高泛化性能和稳定学习动态方面的有效性。

Apr, 2021

生成对抗网络中的潜在狄利克雷分配

使用增强对抗网络结合狄利克雷分布，提出了一种多模态图像生成方法，通过为每个样本定义生成模式来解决数据结构和多模态生成的问题，在真实数据集上展现出优异的表现。

Dec, 2018

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

多智能体多元生成对抗网络

介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

图像生成中数据高效 GAN 的全面调查

通过对分布优化的角度重温和定义 DE-GAN，将现有方法分类为数据选择、GANs 优化和知识共享三个类别，总结了 Data-Efficient GANs 的特性、挑战与解决方案，并试图突出当下问题和未来方向。

Apr, 2022

DeGAN: 一种用于从训练分类器中检索代表性样本的数据增强生成对抗网络

本论文提出了一种名为 Data-enriching GAN 的框架，可以利用来自不同领域的数据来提高已经训练好的深度神经网络在无数据和增量学习任务上的表现。

Dec, 2019

用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

Aug, 2018

在人工数据集上训练 GAN 的经验教训

通过训练 GAN 在人工数据集上，我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上，我们的方法在流行的指标（IS 和 FID）上明显优于现有技术的表现。

Jul, 2020

HyperGAN：一种多样化、高性能神经网络的生成模型

本文介绍了一种名叫 HyperGAN 的生成模型，用于学习神经网络参数的分布，并使用它生成包含有效参数的深度神经网络。HyperGAN 可以用于大规模和多样化的生成，可以用于标记 MNIST 和 CIFAR-10 数据集，能提供比标准集合更好的不确定性评估。

Jan, 2019