ECCVFeb, 2018

CapsuleGAN：生成对抗胶囊网络

PDF
TL;DR介绍了一种名为 CapsuleGAN 的生成对抗胶囊网络框架，使用胶囊网络作为辨别器，利用改进的 GAN 目标函数进行训练，可以比传统卷积神经网络更好地模拟图像数据分布，表现出色于 MNIST 和 CIFAR-10 数据集，并实现了半监督图像分类。
generative adversarial capsule networkcapsnetsgancapsnet discriminatorssemi-supervised image classification
发现论文，激发创造
  • 利用胶囊网络的生成对抗网络架构进行图像合成

    本文提出使用胶囊网络作为图像合成的生成对抗网络体系结构，与使用卷积神经网络的现有体系结构相比，我们提出的 GAN 结构可以更快地学习数据流形，并在更少的训练样本和训练时期中合成视觉精度更高的图像。

    Jun, 2018

  • CapsGAN: 利用动态路由的生成式对抗网络

    本文提出了一种名为 CapsGAN 的图像生成技术，它将 GANs 和胶囊网络结构相结合，在旋转 MNIST 数据集上表现出生成高度几何变换图像方面比传统基于 CNN 的 GANs 表现更好或不逊色。作者还通过实验探究了使用 Wasserstein 距离和谱归一化来训练 GANs 时的性能和稳定性问题。这些发现可以推进胶囊和 GANs 在三维图像生成和可能的视频帧生成等领域的应用。

    Jun, 2018

  • RobCaps: 对胶囊网络抗仿射变换和对抗攻击的鲁棒性评估

    本文对 CapsNets 的鲁棒性进行系统分析与评估，与传统卷积神经网络进行全面比较，结果表明 CapsNets 在对抗性样本和仿射变换方面具有更好的鲁棒性，且动态路由对提高 CapsNets 的鲁棒性不贡献太多，而主要的贡献来源于通过胶囊实现的分层特征学习。

    Apr, 2023

  • 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

  • 利用生成对抗网络增强角色设计师的创造力

    本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

    May, 2023

  • 深度卷积生成对抗网络的无监督表示学习

    该论文提出深度卷积生成对抗网络（DCGANs）可以用于无监督学习，通过在各种图像数据集上的训练，证明了 DCGANs 能够学习从物体部分到场景的表示层次结构，并且可以用于一般图像表示。

    Nov, 2015

  • 图范囊卷积神经网络

    本文提出了一种名为 Graph Capsule Network (GCAPS-CNN) 的模型，通过使用胶囊网络的思想对 GCNN 模型的一些基本缺陷进行了改进，并将其应用于解决当前 GCNN 模型在图分类问题上面临的挑战，实验结果表明，GCAPS-CNN 模型可以显著地提高图分类基准数据集上的性能。

    May, 2018

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 使用条件生成式对抗网络改进图像标注

    本文提出了一种基于条件生成对抗网络的图像描述框架，添加了 “辨别器” 网络去逐步判断生成的描述是人类描述还是机器生成的，该算法是通用的，能够提高任何现有的基于 RL 的图像描述框架，实验表明，这种方法在不同的语言评估指标上有一致的改进。

    May, 2018

  • 生成对抗性训练器：用 GAN 对抗对抗性扰动

    我们提出了一种新的技术，使用生成对抗网络使神经网络对抗性示例具有鲁棒性，通过交替训练分类器和生成器网络，我们成功地应用于 CIFAR 数据集的监督学习，实验结果表明我们的方法显著降低了网络的泛化误差。这是我们所知道的第一个使用 GAN 改进监督学习的方法。

    May, 2017