Pioneer Networks:逐步增长的生成自编码器
本篇论文提供了一个新的原则,即利用生成模型的层次结构将自编码器与生成对抗网络相结合,以防止学习到的生成模型中的模式崩溃,并使用区分器学习合成可能性和隐式后验分布。
Jun, 2017
本文提出了一种名为 AEGAN 的新型生成对抗网络,该网络使用自编码器学习真实图像的内在高级结构,并设计了一个新型的去噪网络来为生成的图像提供逼真的细节,从而能够直接从输入噪声生成 512x512 的高质量图像,结果比其他基线(包括 Oxford-102 Flowers、Caltech-UCSD Birds(CUB)、高质量大规模 CelebFaces 属性(CelebA-HQ)、大规模场景理解(LSUN)和 ImageNet)产生更好的知觉逼真度,即具有更清晰的结构和更丰富的细节。
Mar, 2019
本文介绍了 PixelGAN 自编码器,通过条件生成对抗网络并在潜变量编码上加入不同的先验分布从而对图像信息进行全局对比或局部对比,实现了样式和内容信息的自监督分离,并在 MNIST、SVHN 和 NORB 数据集上实现了竞争力的半监督分类结果。
Jun, 2017
我们提出了一种新的自编码器类型架构,它可以以无监督的方式进行训练,支持生成和推断,并通过对抗学习增强条件和无条件样本的质量。与以前的自编码器和对抗网络混合体不同,我们方法中的对抗游戏直接在编码器和生成器之间进行,训练过程中没有外部映射。游戏目标是将真实数据分布和生成数据分布的差异与潜在空间中的先验分布进行比较。我们展示了直接生成器对编码器游戏会导致两个组件的密切耦合,从而产生与一些最近提出的更复杂的架构相当的样本和重建质量。
Apr, 2017
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
Jun, 2019
本文提出了 “对抗自编码器”(AAE),它是一个概率自编码器,使用最近提出的生成对抗网络 (GAN) 通过匹配自编码器的隐藏代码向量的聚合后验分布与任意先验分布来执行变分推断。匹配聚合后验分布和先验保证从先验空间的任何部分生成都会产生有意义的样本。结果,对抗自编码器的解码器学习了一种深度生成模型,将所施加的先验映射到数据分布。我们展示了对抗自编码器如何在半监督分类,图像风格和内容分离,无监督聚类,降维和数据可视化等应用中使用。我们在 MNIST、Street View 房屋号码和 Toronto Face 数据集上进行了实验,并展示了对抗性自编码器在生成建模和半监督分类任务中取得了有竞争力的结果。
Nov, 2015
通过渐进增加模型层数的方法,生成对抗网络在训练中实现速度和稳定性的提升,并取得了空前的图像质量和变异性,同时提出了新的 GAN 结果评估指标,取得实验成功。(keywords 中包含:生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等)
Oct, 2017
本文主要讨论生成对抗网络的应用和基本操作,介绍了 GAN 如何学习高维度、复杂的真实数据分布,并不需要假设分布,同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。
Nov, 2017