基于聚类生成对抗网络的 Logo 合成与操作
本文探讨了一种对 StyleGAN 体系结构的条件扩展方法,通过使用合成类别条件提高网络的可控性和结果的分辨率,同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明,条件模型相对于无条件的模型可以更好的嵌入细节,产生更多样化和高质量的输出结果。
Sep, 2019
本研究使用条件生成对抗网络生成了基于 12 种不同颜色条件的标志,在 768 个生成的实例中,条件生成部分的精确度和召回率分别为 0.8 和 0.7,这为人工智能能够协助设计师的创作过程以及未来更多方向的研究提供了前瞻性的方向。
Oct, 2018
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
本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制,通过从一热编码变量和连续变量的混合中采样潜变量,再结合一个特定于聚类的损失函数,与一个将数据投影到潜空间的逆网络共同训练,我们能够在潜空间中进行聚类。结果表明,GAN 可以保留类别之间的潜空间插值,即使鉴别器从未接触过这些向量,并且在合成和真实数据集上,我们的结果比各种聚类基线表现更好。
Sep, 2018
本文介绍了一种图像合成方法,能够在非受控环境中识别标志的有效性,从而避免昂贵的手动标注成本。该方法为生成合成上下文标志的训练图像设计了一种算法,提高了模型对未知背景干扰的鲁棒性,从而提高了标志识别的性能。我们还引入了一个新的标志检测数据集 TopLogo-10 进行模型性能基准测试,该数据集包含了在丰富的视觉语境中捕捉的十个最受欢迎的服装 / 可穿戴品牌名称标志。广泛的比较显示了我们提出的 SCL 模型在使用两个真实世界标志基准数据集 FlickrLogo-32 和我们的新 TopLogo-10 的标志检测方面优于现有的最新技术。
Dec, 2016
本文介绍了 Cluster-aware Generative Model 这一基于深度生成模型的半监督学习方法,利用未标记的数据点探索数据自然聚类模式,同时引入部分带标记的数据对模型进行优化,有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。
Apr, 2017
使用条件生成对抗网络(conditional GANs)从语义标签图中合成高分辨率照片般真实的图像,并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构,生成 2048x1024 的视觉吸引力结果。此外,我们将我们的框架扩展到与两个额外功能的交互式视觉操作,它们是:将对象实例分割信息整合进去以进行对象操作(如删除 / 添加对象和更改对象类别),以及提出一种方法,可以在给定相同输入的情况下,生成不同的结果,允许用户交互式地编辑对象外观。人的意见研究表明,我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。
Nov, 2017
提出了一种简单而有效的无监督方法,通过使用聚类方法自动地生成类别标签,来训练条件生成对抗网络模型(GAN 模型)生成多样而逼真的图像,这种方法在处理模式崩溃方面表现优异,同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像,比以前的方法提高了标准的质量指标。
Jun, 2020