Jul, 2017

用半监督引导 InfoGAN

PDF
TL;DR本文提出了一种新的半监督 GAN 架构 (ss-InfoGAN)，用于图像合成，可以利用少量标签（最多不超过数据集的 10%）的信息学习语义有意义的和可控制的数据表示，其中潜变量对应标签类别，该架构建立在信息最大化生成对抗网络 (InfoGAN) 的基础上，被证明可以学习连续和分类编码，并实现比完全无监督设置更高质量的合成样本。此外，我们表明，使用少量标记数据可以加快训练收敛速度。最后，本文贡献了关于介绍半监督增加合成数据和真实数据之间的互信息的信息理论推理。
semi-supervised ganimage synthesisinfoganlabeled datalatent variables
发现论文，激发创造
  • 信息增益生成对抗网络可解释的表示学习

    InfoGAN 是一种信息论扩展的生成对抗网络，能够以完全无监督的方式学习分离表示，其中以小部分潜在变量和观察之间的相互信息为最大化目标，通过优化互信息下限来训练，并成功地在 MNIST、SVHN 和 CelebA 数据集上取得了竞争性的结果。

    Jun, 2016

  • 半监督条件生成对抗网络

    提出了一种新的半监督生成对抗网络模型 (SS-GAN)，通过适应 GAN 框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布，实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。

    Aug, 2017

  • 基于生成模型的语义分割：半监督学习与强领域通用化

    本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

    Apr, 2021

  • 训练 GAN 的改进技术

    本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

    Jun, 2016

  • 一种自监督的 StyleGAN 用于极度有限标签的图像标注和分类

    提出了一种适用于极小标注数据集的自我监督方法 SS-StyleGAN，通过在 StyleGAN 体系结构中集成一个学习嵌入到 StyleGAN 潜空间的编码器，它利用学习的潜空间智能选择代表性数据进行标注以提高分类性能，并展示了在 50 个甚至 10 个大小的标注数据集上取得强大的分类结果，特别适用于 COVID-19 和肝肿瘤病理鉴定任务。

    Dec, 2023

  • 语义图像合成只需要对抗监督

    通过重新设计辨别器作为语义分割网络，直接使用给定的语义标签映射作为训练的地面实况，通过提供更强的监督和对空间和语义感知的辨别器反馈以及通过向生成器注入 3D 噪声张量进行全局和局部采样，我们能够合成更高保真度的图像，并实现高质量的多模态图像合成。

    Dec, 2020

  • InfoMax-GAN: 基于信息最大化和对比学习的改进对抗图像生成

    本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

    Jul, 2020

  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • 使用较少标签进行高保真图像生成

    本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络，实现在仅使用少量标签数据的情况下，超越当前最先进的深度生成模型，并在 ImageNet 的无监督合成和有条件的情况下，匹配 BigGAN 模型的样本质量。

    Mar, 2019

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017