ICLRFeb, 2018

使用投影鉴别器的条件生成对抗网络 (cGANs)

PDF
TL;DR本文提出了一种新的投影方法来将条件信息纳入 GAN 的鉴别器中，以尊重条件信息在概率模型中的作用，这种方法与当前应用中使用嵌入向量将条件信息与特征向量拼接的大多数条件 GAN 框架形成对比。通过这种修改，我们能够显著提高基于 ILSVRC2012（ImageNet）1000 类图像数据集的类别条件图像生成质量，并且使用单个鉴别器和生成器对此进行了实现。我们还将这种应用扩展到超分辨率，并成功地生成了高度有区别的超分辨率图像。这种新的结构还使基于参数化功能转换的条件批归一化层的高质量类别转换成为可能。
gansconditional informationprojection-based approachimage generationsuper-resolution
发现论文，激发创造
  • 用双投影生成对抗网络进行条件图像生成

    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

  • 具有条件卷积层的 cGANs

    本文提出了一种称为条件卷积层的卷积神经网络方法，该方法通过不同的权重生成不同的特征图，并通过简单而有效的方法进行条件调整，从而可以更有效地处理条件特征，金实验结果表明，使用提出的条件卷积层的生成模型可以比使用标准卷积层更好地生成类别相关的图像。

    Jun, 2019

  • 半监督条件生成对抗网络

    提出了一种新的半监督生成对抗网络模型 (SS-GAN)，通过适应 GAN 框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布，实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。

    Aug, 2017

  • 快速收敛用于图像合成的条件生成对抗网络

    在真 / 假分类器基础上，通过增加高级辅助分类器，引入一个额外的 “假” 类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

    May, 2018

  • 带有辅助判别器的条件 GANs

    该论文提出了一种使用辅助判别器的条件 GAN（ADC-GAN），具有较高的类内多样性，可以更准确地生成有条件的数据，并在合成及真实数据集上进行实验取得了优越结果。

    Jul, 2021

  • 将图像转换和投影到条件生成网络中

    该论文提出了一种针对生成神经网络模型中偏向问题的投影优化方法，解决了图像中心偏向与颜色偏向问题，提高了图像编辑的效果。

    May, 2020

  • 条件生成对抗网络

    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

  • 条件图像合成与辅助分类器 GANs

    本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

    Oct, 2016

  • 使用多个随机投影稳定 GAN 训练

    本文提出了一种针对高维度情况下 GAN 训练不稳定的方法，即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度，实验结果表明该方法能够生成较高质量的图像样本。

    May, 2017

  • 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