May, 2018

具备生成对抗网络的多功能辅助分类器（VAC+GAN）

PDF
TL;DR提出了一种新的深度条件生成器的训练框架，该框架通过将分类器与辨别器并联并通过生成器网络反向传播分类误差来训练一个深度条件生成器，用于从特定分布中提供标记的对抗样本，适用于任何生成对抗网络实现的变体，并且相比于类似的方法，产生了更好的结果。
artificial intelligenceconditional generatorsadversarial samplesdeep conditional generatorgenerative adversarial network
发现论文，激发创造
  • 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

  • 双辅助分类器 GAN

    本文介绍了一种新的条件生成模型 ——TAC-GAN，该模型用新的辅助分类器可以有效地增加生成数据的多样性，实验证明该模型在真实数据集上可以显著提高类别条件的图像生成的多样性。

    Jul, 2019

  • 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

  • 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

  • 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

  • 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

  • 三重生成对抗网络

    本文提出了一种三角对抗生成网络，它包含三个玩家（生成器、判别器和分类器），生成器和分类器特征化图像和标签之间的条件分布，而判别器仅关注辨别假的图像 - 标签对，并且设计兼容的实用程序以确保分类器和生成器特征化的分布都收敛于数据分布。

    Mar, 2017

  • 通过生成对抗网络推进预先解释模型

    该论文提出了一种新颖的概念学习框架，用于增强视觉分类任务中模型的可解释性和性能，通过将非监督解释生成器附加到主分类器网络中，并利用对抗训练的方式，使模型从潜在表征中提取视觉概念并与人可解释的视觉属性隐式对齐，该方法的实验结果验证了其稳健性和产生一致的概念激活，同时研究了对抗训练协议中的扰动对分类和概念获取的影响，从而实现了构建具有任务对齐概念表征的内在可解释深度视觉模型的显著进展，为开发可信任的用于真实感知任务的人工智能提供了关键支持。

    Jan, 2024

  • 重启 ACGAN：使用稳定训练的辅助分类器 GAN

    本研究提出了两种方法来改进使用 ACGAN 的 cGAN 生成的问题，一是将输入向量投影到单位超球体上以避免分类器中的梯度爆炸，二是提出了数据 - 数据交叉熵损失以利用分类标签数据中的关系信息，基于这个改进后的模型 ReACGAN 在 CIFAR10，Tiny-ImageNet，CUB200 和 ImageNet 数据集上取得了最先进的生成结果。

    Nov, 2021

  • Defense-GAN: 使用生成模型保护分类器免受对抗攻击

    Defense-GAN 使用生成模型来抵御深度神经网络受到的对抗性攻击，并不需要修改分类器结构或者训练过程，可以适用于任何分类模型，并且不需要了解生成对抗性示例的过程。在不同的攻击方法下，实验证明 Defense-GAN 对抗性攻击防御策略具有一致的有效性，并可以提高现有的防御策略。

    May, 2018