May, 2018

BourGAN: 具有度量嵌入的生成网络

PDF
TL;DR本文讨论了生成对抗网络（GANs）中的模式坍塌问题，提出了一种基于度量空间的几何视角来嵌入数据，以解决自动确定潜在空间维度和构造高斯混合模型的方法，进而改进目标函数，通过理论分析支持每个方法步骤，并验证了该方法能够在真实和合成数据上产生分布于大多数模式中的样本，避免不需要的样本，性能优于现有 GAN 变体。
generative adversarial networksmode collapsemetric spacelatent spacegaussian mixture model
发现论文，激发创造
  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022

  • 通过 Gromov-Monge 嵌入的单调生成建模

    通过使用 Gromov-Monge 嵌入（GME）的深度生成模型，我们提出一种解决生成对抗网络（GANs）面临的起始条件敏感性和模式崩溃等挑战的方法。我们在低维的潜在空间中通过 GME 识别数据的底层测度的低维结构，并在保持其几何性的同时将其映射到一个测度，然后将其最优地转运到参考测度。我们通过 GME 的几何性和生成映射的 $c$- 循环单调性来保持底层几何的一致性，这是确保更好的参数初始化和模式崩溃鲁棒性的第一步。数值实验证明了我们方法在生成高质量图像、避免模式崩溃以及对不同的起始条件具有鲁棒性方面的有效性。

    Nov, 2023

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • 几何分数：一种比较生成对抗网络的方法

    本文提出了一种新的基于几何学性质的 GAN 模型性能度量方法，可以定量和定性地评估生成样本的质量和模式崩溃的程度。该算法适用于各种类型的数据集，并不仅限于视觉数据。我们在多种真实模型和数据集上测试了该方法，并展示了其提供的 GANs 特性新洞察。

    Feb, 2018

  • 深层生成模型的度量标准

    通过将 Riemannian 几何的思想应用到该领域，我们提出了一种基于最短路径计算的距离度量方法，可以获得基于原则的距离度量，提供深度生成模型的视觉检查工具和运动泛化工具。

    Nov, 2017

  • GANE: 生成对抗网络嵌入

    本文提出了一种使用基于对抗生成网络的方法进行网络嵌入的模型，通过引入 Wasserstein-1 距离和三种不同的变体来解决无监督学习和有监督学习之间的鸿沟，实现在低维嵌入向量空间中保留网络中的第一和第二阶接近度，实验结果表明，在链接预测、可视化和聚类任务中，我们的模型始终优于现有技术，并有显著的改进。

    May, 2018

  • 生成对抗网络评估指标的实证研究

    本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

    Jun, 2018

  • 混合密度生成对抗网络

    本文提出了一种新型 GAN 变体 Mixutre Density GAN，通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题，从而发现不同的数据模式，并在生成高质量图像方面表现出色。

    Oct, 2018

  • 通过流形熵估计来抑制 GAN 中的模式崩溃

    本文提出了一种新的训练管道以解决生成对抗网络（GAN）中的模式崩溃问题，通过将鉴别器推广为特征嵌入并最大化鉴别器学习到的嵌入空间的分布熵，利用两个正则化项：Deep Local Linear Embedding 和 Deep Isometric feature Mapping 来鼓励判别器学习数据中嵌入的结构信息，进而有效降低模式崩溃，提高样本质量。

    Aug, 2022

  • IVE-GAN：不变编码生成对抗网络

    提出了一种新的 “不变编码生成式对抗网络”（IVE-GANs）框架，利用特定数据的不变特征进行逆向映射，使生成器可以涵盖更多数据模式并提升生成效果和表示能力，并在多个数据集上进行了验证。

    Nov, 2017