Mar, 2018

进化生成式对抗网络

PDF
TL;DR本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。
发现论文，激发创造
  • 空间进化生成对抗网络

    本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法，通过引入进化计算的原理，将两种促进训练多样性的方法（E-GAN 和 Lipizzaner）进行混合，提出了一种名为 Mustangs 的进化 GAN 训练方法，该方法通过结合了多样性提升的变异和种群方法，实现了更准确更快速地训练 GAN 模型。

    May, 2019

  • 由生成式对抗网络 (GANs) 驱动的多目标演化优化

    提出了一种基于生成对抗网络驱动的多目标进化算法，通过对父代和子代解进行分类和采样，充分利用生成对抗网络进行有限训练数据的高维优化，取得了理想的效果

    Oct, 2019

  • 生成对抗网络的共同进化

    本研究提出 COEGAN 模型，将神经进化和协同进化技术应用于 GAN 训练中，提高了训练的稳定性和 GAN 网络结构的自动发现，解决了部分模式崩溃问题。

    Dec, 2019

  • 迈向分布式共进化 GANs

    我们调查了黑盒共同演化（一种无梯度的协同优化技术和进化计算中的有力工具）作为梯度为基础的 GAN 训练技术的补充，结果表明，共同演化对于逃避退化的 GAN 训练行为是一个有前途的框架。

    Jul, 2018

  • 生成对抗网络综述：变种、应用与训练

    本文综述了生成模型的最新应用 —— 生成对抗网络（GAN）及其在计算机视觉和机器学习领域的实际应用，讨论了 GAN 训练中的困难和障碍，并调查了不同研究者提出的训练方案，以求实现 GAN 的稳定训练，最后探讨了与该主题相关的新问题和研究方向。

    Jun, 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

  • COEGAN: 评估生成对抗网络中的共进化效应

    COEGAN 使用神经进化和协同进化策略来自动设计神经网络架构，以实现更稳定的 GAN 培训方法。在 Fashion-MNIST 和 MNIST 数据集上的实验表明，COEGAN 能够发现高效的架构，并且避免了常见的模式坍塌问题。

    Dec, 2019

  • 生成式对抗网络

    提出了一种新的深度生成模型 —— 多对抗生成网络（GMAN），以实现高质量图像的生成，相比标准 GAN，使用了多个判别器进行训练，无需调整损失函数，实现了更快、更有效的训练。

    Nov, 2016

  • 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

  • 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