本文对条件生成对抗网络进行研究和评估,采用编码器来反向映射 cGAN,可重建和修改真实图像,这种结合方式被称为可逆 cGAN,可对真实图像进行复杂的确定性修改。
Nov, 2016
本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型,学习在数据匹配和标签匹配之间平衡的方法,并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题,实验结果表明其在多个真实数据集上具有良好的效果。
Aug, 2021
通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。
May, 2016
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
该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型,该模型在图像生成的任务中表现优异,并在面临严重噪声的情况下使生成器输出的图像更接近目标空间,实验结果表明,RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。
May, 2018
本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比,CoGAN 可以在不需要不同域中对应图像元组的情况下,仅通过来自边际分布的样本学习联合分布,并将其应用于许多联合分布学习任务,包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外,对于域自适应和图像转换,也展示了其应用。
Jun, 2016
该研究提出了一种基于双编码器的双向 GAN 架构,通过学习机制,将循环一致性问题降至最小,有效地促进了基于 GAN 的模型中的异常检测效率。实验证明该方法在正常样本分布捕捉方面表现良好,并成功应用于大脑磁共振异常检测系统。
Dec, 2020
本文提出 Composition-by-Decomposition 网络,采用两个独立分布的物体生成具有真实纹理和形状的合成图像,以此捕捉多物体之间的空间相互作用关系,从而在生成场景方面获得更好的效果。
Jul, 2018
本文介绍了一种新颖的生成模型 —— 条件生成对抗网络,可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字,并提供了一个多模态的模型应用示例,演示了如何生成不属于训练标签的描述性标签。
Nov, 2014
本文提出了一种对抗训练程序,用于学习给定因果图的因果隐式生成模型,探讨了生成模型、条件生成对抗网络及其应用,并证明实验结果能生成真实的观察和干预分布。
Sep, 2017