Aug, 2017

多生成器生成对抗网络

PDF
TL;DR本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。
发现论文，激发创造
  • 双判别器生成对抗网络

    本文提出了一种名为双判别器生成对抗网络（D2GAN）的生成对抗网络算法，该算法使用 KL 散度和反 KL 散度，避免了多峰性分布的崩塌问题，并在广泛的实验中证明了与最新 GAN 算法相比的竞争和卓越性能。

    Sep, 2017

  • GAN 生成器之间的共享损失

    利用多个生成器竞争、同时与鉴别器的交互来解决传统 GAN 中的模式崩溃问题，大幅度减少训练时间，同时不影响其性能。

    Nov, 2022

  • 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

  • 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

  • MEGAN: 多模态图像生成的混合专家生成对抗网络

    我们提出一种混合专家 GAN （MEGAN）方法，它使用多个生成器网络进行集成学习，并通过门控网络在不同条件下选择适当的网络，以生成具有特定子集的模式的图像。我们证明各自利用数据的不同部分，达到较高的多尺度结构相似性分数和竞争性的无监督内在分数。

    May, 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

  • 混合密度生成对抗网络

    本文提出了一种新型 GAN 变体 Mixutre Density GAN，通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题，从而发现不同的数据模式，并在生成高质量图像方面表现出色。

    Oct, 2018

  • GAN 的在线自适应课程学习

    提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

    Jul, 2018

  • MD-GAN: 分布式数据集的多鉴别器生成对抗网络

    本文提出了 MD-GAN，这是一个新颖的学习过程；将其与改编后的联邦学习进行比较，使用 MNIST 和 CIFAR10 数据集，MD-GAN 表现出了每个工作节点上的学习复杂度降低两倍，同时在两个数据集上提供了比联邦学习更好的性能。

    Nov, 2018

  • 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