IJCAIMay, 2018

MEGAN: 多模态图像生成的混合专家生成对抗网络

PDF
TL;DR我们提出一种混合专家 GAN （MEGAN）方法，它使用多个生成器网络进行集成学习，并通过门控网络在不同条件下选择适当的网络，以生成具有特定子集的模式的图像。我们证明各自利用数据的不同部分，达到较高的多尺度结构相似性分数和竞争性的无监督内在分数。
generative adversarial networksensemble approachmodalitiesend-to-end learningmultiscale structural similarity
发现论文，激发创造
  • 多生成器生成对抗网络

    本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

    Aug, 2017

  • MEGAN: 多视角网络嵌入的对抗生成网络

    本研究提出一种新颖的生成对抗网络框架，即 MEGAN，用于多视角网络嵌入，通过保留多视角网络的信息并考虑它们之间的相关性，通过节点分类、链接预测和可视化任务的实验表明，该方法的表现优于现有的方法。

    Aug, 2019

  • 多智能体多元生成对抗网络

    介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

    Apr, 2017

  • 生成对抗网络用于大脑影像合成的综述

    本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

    May, 2023

  • 基于专家乘积生成式对抗网络的多模态条件图像合成

    本研究提出了一种基于 Product-of-Experts Generative Adversarial Networks（PoE-GAN）框架的条件图像合成方法，可以在多种输入模态或其任意子集上生成图片，并通过精心设计的训练方案学习了如何以高质量和多样性生成图像。实验结果表明，PoE-GAN 不仅在以多模态输入进行条件图像合成方面取得了进步，甚至在单模态条件图像合成方面也优于现有的最佳方法。

    Dec, 2021

  • CM-GANs: 跨模态生成对抗网络用于共同表示学习

    本研究提出了跨模态生成对抗网络 (Cross-modal GANs) 来建模不同模态数据的联合分布并学习判别式公共表征以弥合异质性差距。实验证明，与其他 10 种方法相比，我们的方法在跨模态检索范式上表现出更好的性能。

    Oct, 2017

  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 基于条件隐式极大似然估计的多模态图像合成

    本文提出了基于 IMLE 的新型多模式条件图像合成方法，并在两个任务中演示了更好的多模式图像合成性能，即单幅图像超分辨率和从场景布局中的图像合成。

    Apr, 2020

  • 多元敏感的条件生成对抗网络

    这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

    Jan, 2019

  • 用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

    本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

    Aug, 2018