ICMLFeb, 2018

淬炼对抗网络

PDF
TL;DR通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。
generative adversarial networkstraining instabilitiesimbalancelearning processgan architectures
发现论文，激发创造
  • 可控生成对抗网络

    本文提出了一种新型的 GAN 结构 ControlGAN，通过将特征分类器与鉴别器分离，设计了一个可以控制样本特定详细特征的生成器，并使用多个图像数据集进行了评估，展示了 ControlGAN 在生成具有良好控制特性的改进样本方面的潜力。此外，我们证明了 ControlGAN 可以为插值和外推输入标签生成中间特征和相反特征，这表明 ControlGAN 可以显着增加生成样本的多样性。

    Aug, 2017

  • 强健的生成对抗网络

    本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法，并在 CIFAR-10 数据集上的实验表明，该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。

    Apr, 2020

  • 生成式对抗网络的公正性分析

    本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。

    Mar, 2021

  • 正则化生成对抗网络

    提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

    Feb, 2021

  • 在人工数据集上训练 GAN 的经验教训

    通过训练 GAN 在人工数据集上，我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上，我们的方法在流行的指标（IS 和 FID）上明显优于现有技术的表现。

    Jul, 2020

  • 真实还是虚构，这是问题

    通过将真实性作为随机变量来估计，我们提出了一种新型 GAN（RealnessGAN），并将其与多个基线对比，在合成和真实数据集上产生实质性的生成器引导改善和提供关于对抗学习的深入见解。

    Feb, 2020

  • 稳定生成对抗网络：综述

    本文综述了文献中可找到的 GAN 训练稳定方法，讨论了每种方法的优缺点并进行比较总结，最后提出了未解决问题的讨论。

    Sep, 2019

  • 生成对抗网络（GANs）的收敛问题

    本文旨在为数学家提供适用的 GANs 理论解释，概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。

    Jun, 2018

  • 提高生成对抗网络的泛化能力和稳定性

    本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

    Feb, 2019

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023