Feb, 2018

生成器的条件因素与 GAN 性能之间的因果关系

PDF
TL;DR本篇论文旨在通过探究生成式对抗网络（GANs）的生成器的奇异值的分布，提出类似于正则化的想法并加入到训练中，使得生成器的奇异值保持良好的条件数，从而实现提高 GANs 的质量得分，解决 GAN 的一个主要批评。
deep learningjacobian singular valuesgenerative adversarial networksregularizationinception score
发现论文，激发创造
  • 关于有条件的 GAN 评估

    本研究提出 Frechet Joint Distance (FJD) 作为一种度量条件生成对抗网络 (CGANs) 模型质量的单一指标。通过在一个可控的合成数据集上进行实验，证明了 FJD 在评估 CGANs 模型时的优越性，并用于评估了基于 CGANs 模型的多种调节模式，如类标签、对象掩模、边界框、图像和文本说明。

    Jul, 2019

  • GAN 的数值计算

    本研究通过分析生成对抗网络（GAN）的训练算法的数值特征，使用平滑二人博弈的形式，分析 GAN 训练目标的梯度向量场的相关性，发现当前算法的收敛性受到两个因素的影响：一是梯度向量场的雅可比矩阵存在具有零实部的特征值，二是存在具有较大虚部的特征值，提出了一种基于这些发现的新算法，克服了一些限制并具有更好的收敛性能。实验表明，该算法在训练常见的 GAN 结构上具有优越性，且可以收敛于一些已知难以训练的 GAN 结构。

    May, 2017

  • 通过利用雅可比矩阵的低秩结构实现神经网络的泛化保证

    本文探讨了神经网络架构的泛化能力，发现训练和泛化在整洁和结构化的数据集上很容易，在嘈杂和非结构化的数据集上则更难。通过使用 “信息” 空间和 “噪声” 空间，本文证明了即使是常数宽度的神经网络，对于足够好的数据集也可以证明泛化。

    Jun, 2019

  • 生成式对抗网络的影响估计

    提出了一种用于影响估计和有害实例检测的方法，可用于改善生成对抗网络（GAN）的效果，利用生成器和鉴别器之间的梯度关系来跟踪模型性能受是否存在特定数据点的影响

    Jan, 2021

  • 有条件 GAN 中的选择性聚焦学习

    本文提出使用选择性对焦学习的训练方法来解决条件生成对抗网络（cGANs）的训练问题，针对每个小批量的数据选择性地应用条件匹配和联合匹配，从而在 ImageNet、CIFAR-10 和 CIFAR-100 数据集上提高了 cGAN 的性能（FID 最高可达 35.18%），同时保持了多样性。

    Jul, 2021

  • 使用投影鉴别器的条件生成对抗网络 (cGANs)

    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。

    Feb, 2018

  • 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

  • 实例条件生成对抗网络

    该论文介绍了一种基于非参数方法和核密度估计技术的生成式对抗网络（GANs）模型 IC-GAN 来模拟复杂数据集的分布，提高了图像生成的真实性和数量结果，同时也具备对未见过数据集的泛化能力。

    Sep, 2021

  • 无需训练数据集的条件生成对抗网络

    给定一个无限制的预训练生成网络和一个预训练分类器，通过不依赖于任何训练数据集，开发一个条件生成器是否可行？

    May, 2024

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018