IJCAIJul, 2018

MIXGAN：跨域学习用于混合生成的概念学习

PDF
TL;DR本文介绍了一项有趣的混合生成尝试：通过从不同的领域吸收不同的图像概念（例如内容和样式），从而生成一个学习概念的新领域。MIXGAN 可从两个领域分别学习内容和样式的概念，因此可以将它们加入新领域进行混合生成，即生成来自一个领域的内容和来自另一个领域的样式的图像。与相关的最先进的基于 GAN 的模型相比，MIXGAN 克服了当前基于 GAN 的模型的限制。
发现论文，激发创造
  • 混合样式领域泛化

    本研究介绍了一种新的基于概率混合实例级别特征统计的域泛化方法 MixStyle 来提高卷积神经网络模型的泛化性能，该方法着眼于图像风格与视觉域之间的关联关系，并将其应用于 CNN 的底层进行数据增广，既可用于分类任务还可应用于实例检索和强化学习等任务。

    Apr, 2021

  • 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

  • 耦合生成对抗网络

    本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • SingleGAN: 单一生成器网络利用多组生成对抗学习进行图像转换

    单个生成器的多领域图像翻译方法 SingleGAN，在多种无配对数据集上显示出明显的优势和普适性。

    Oct, 2018

  • 领域特定的生成对抗风格迁移映射

    本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。

    Aug, 2020

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • XGAN: 无监督的多对多图像翻译

    本文提出了一种名为 XGAN 的双对抗自编码器，可以无监督地捕捉共同的领域语义内容，同时在两个方向上学习域与域之间的图像转换，并通过语义一致性损失函数来实现语义保留，并以公开数据集 CartoonSet 为基准来证明该方法的有效性。

    Nov, 2017

  • GenMix：结合生成与混合数据增强的医学影像分类

    本研究提出了名为 GenMix 的新型数据增强技术，它结合了生成和混合方法以发挥两种方法的优势。通过在合成图像和真实数据之间进行混合，GenMix 改善了合成数据的质量和多样性，同时也提升了生成模型的新模式学习和混合模型的边界增强能力。验证实验证明 GenMix 提高了不同生成模型（包括 DCGAN，StyleGAN，Textual Inversion 和 Diffusion Models）在 CT 图像中分类肝脏病变的性能。值得注意的是，与无微调扩散模型的其他方法相比，采用 Textual Inversion 的提议方法在 FLL 数据集上表现更好。

    May, 2024

  • MEGAN: 多模态图像生成的混合专家生成对抗网络

    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。

    May, 2018

  • 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