ICMLFeb, 2018

增强循环 GAN: 从非配对数据学习多对多映射

PDF
TL;DR通过学习多对多的映射关系，我们提出一种新的模型 Augmented CycleGAN，使得在缺乏配对数据的情况下能够从非配对数据中提取结构信息，从而提高图像分割等结构化预测任务的性能，这在 CycleGAN 的假设单向单映射关系无法满足的情况下格外重要，并且通过实验证明了模型在多个图像数据集上的有效性。
发现论文，激发创造
  • 增强循环对抗学习用于低资源域自适应

    本文介绍了一种增强循环对抗学习模型，用于域适应并解决在其中数据丰富的域中对任务的学习问题，通过迁移学习及结合声音识别任务的结果，在低资源环境下将 SVHN 和 MNIST 彼此转换的分类准确率分别提升了 14% 和 4%。

    Jul, 2018

  • 非配对图像翻译的不对称生成对抗网络

    本文提出了一种名为 AsymGAN 的模型，通过引入辅助变量 (auxiliary variable) 来解决不对称领域下的图像翻译过程中出现的质量差、映射模糊、模型敏感性等问题，该模型能够更好地在信息贫瘠的领域转移信息，并在图像翻译上展现出显著的性能提升。

    Dec, 2019

  • 打破循环 -- 同事就是你需要的全部

    该研究提出了一种新的图像到图像的转换方法，通过多个 GAN 的协作实现多模态目标 ，可解决许多传统 GAN 存在的问题，包括不必要的痕迹、大物体移除以及形状变换困难等，实验结果在多个应用场景和数据集中都表现出优异的性能。

    Nov, 2019

  • 基于不确定性感知的鲁棒性循环一致性

    本文提出了一种基于不确定性感知的广义自适应周期一致性的概率方法，利用广义高斯分布对像素残差进行建模，提高了对于测试数据的强鲁棒性，提高了不成对图像转换的性能。

    Oct, 2021

  • 多对一映射的循环一致性训练：Fork or Fail

    本文提出了一种基于条件变分自编码器的方法来解决循环一致训练在存在多对一或满射映射时的问题，可以在两个方向上最小化重建误差并且可以获得现实输出多样性，并通过合成图像数据集和自然语言生成实验验证其有效性。

    Dec, 2020

  • 多域学习 GANs 的有效数据增强

    该论文提出了基于生成对抗网络的数据增强方法，使用多域学习 GAN 将外部数据集的知识导入目标模型中以生成目标任务的新样本，从而提高深度学习应用中的数据开发效率并在图像分类任务中取得了更好的分类精度。

    Dec, 2019

  • 使用 CycleGAN 和跨域损失改进半监督端到端自动语音识别

    本研究提出了一种结合 CycleGAN 和域间损失的新方法，用于半监督的端到端自动语音识别，利用这种方法可以在无配对的语音文本输入上进行训练，并取得了明显的性能提升。

    Oct, 2022

  • 模块化生成对抗网络

    本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

    Apr, 2018

  • ComboGAN：图像领域转换的无限扩展性

    本文提出了一种多因子图像翻译模型和训练方案，可以在资源消耗和时间所需方面与目标数呈线性缩放，并在 14 位不同艺术家的绘画数据组和阿尔卑斯山四季图像组上展示了其能力。

    Dec, 2017

  • DualGAN：无监督的双重学习用于图像到图像的翻译

    通过双重学习机制，该论文提出了一种新的双重生成对抗网络模型 ——DualGAN，可在缺乏标签数据的情况下，实现多种图像翻译任务，并取得了可观的性能提升。

    Apr, 2017