CVPRNov, 2017

使用 Wasserstein GAN 进行视觉特征归因

PDF
TL;DR本文提出使用 Wasserstein Generative Adversarial Networks 解决利用神经网络分类器进行像素归因存在的限制问题，发现这种方法更优于当前最先进的视觉归因方法， 在 MCI 和 AD 患者的 3D 神经影像数据中产生非常逼真的疾病效应图。
computer visionneural network classifierfeature attributionwasserstein generative adversarial networksalzheimer's disease
发现论文，激发创造
  • 用于零样本学习的特征生成网络

    该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

    Dec, 2017

  • 通过指导因式分解来可视化监督学习和自监督神经网络

    本文提出了一种结合梯度和属性方法的算法来提供逐类的可解释性，该算法在纠正显著特征的同时，通过反向投影来提供每像素的局部影响，并成功地证明了在各种基准测试上的优越性能，包括用于梯度方法评估的基准测试以及主要用于评估属性方法的基准测试，此外，本文还成功地证明了自监督方法可以学习语义信息。

    Dec, 2020

  • 基于 Wasserstein GAN 的人脸超分辨率

    本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

    May, 2017

  • 面向开放世界 GAN 生成图像的发现和归因

    通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。

    May, 2021

  • 使用带有 Wasserstein 距离和感知损失的生成对抗网络进行低剂量 CT 图像去噪

    本文介绍了一种基于生成式对抗网络（GAN）的新型 CT 图像去噪方法，该方法基于 Wasserstein 距离和特征相似性，能够从图像数据噪声分布强到弱的迁移，并在临床 CT 影像中取得了良好效果。

    Aug, 2017

  • GAN 潜空间中的语义编辑的 Wasserstein 损失

    本文提出了一种基于 Wasserstein 损失和 StyleGAN2 的生成对抗网络（GANs）的方法，可以实现在潜空间中编辑语义属性以修改生成的图片，避免了定向分类器会遇到的问题，并且取得了与分类器方法相当的性能。

    Mar, 2023

  • 通过反演确定源代码生成器

    本文介绍了一种解决图片或视频伪造及版权问题的方法，利用生成对抗网络的投影反演算法在白盒情况下，对合成图像进行属性归因和输入的提取。

    May, 2019

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 广义深度伪造追溯

    我们提出了一种广义的深度伪造归因网络 (GDA-Net)，可以将伪造图像归因于相应的 GAN 架构，即使它们是从不同种子 (cross-seed) 的重新训练版本或现有 GAN 模型的微调版本生成的。与现有方法相比，对 GAN 模型的交叉种子和微调数据进行的大量实验证明了我们的方法的高效性。我们还提供了源代码来验证我们的结果。

    Jun, 2024

  • Banach Wasserstein GAN

    本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点，重点关注 Sobolev 范数，并在 CIFAR-10 和 CelebA 中展示了性能提升。

    Jun, 2018