ECCVSep, 2018

PathGAN: 基于生成对抗网络的视觉扫描路径预测

PDF
TL;DR介绍 PathGAN，一种利用对抗训练方法进行视觉扫描路径预测的深度神经网络模型。该模型由生成器和判别器两部分构成，通过提取图像特征从而训练循环层以生成或辨别视觉扫描路径。实验证明，PathGAN 明显优于现有的扫描路径预测模型。
pathganvisual scanpath predictionadversarial examplesgeneratordiscriminator
发现论文，激发创造
  • SalGAN: 基于生成式对抗网络的视觉显著性预测

    介绍了 SalGAN，一种具有对抗样本训练的深度卷积神经网络，用于视觉显着性预测，实验表明对抗训练结合二元交叉熵损失函数可以达到最先进的性能。

    Jan, 2017

  • GD-GAN：用于人群轨迹预测和组群检测的生成对抗网络

    本文提出了一种新颖的深度学习框架，用于人类轨迹预测和在人群中检测社交群体成员。我们引入了一个生成对抗网络管道，可保留行人社区的时空结构，从而使我们能够提取描述其社会身份的相关属性，并将群体检测任务公式化为无监督学习问题，不需要通过手动标记的数据库进行监督学习，使我们能够直接将所提出的框架应用于不同的监控设置。我们在多个公共基准测试上评估了所提出的轨迹预测和群体检测框架，对于这两个任务，所提出的方法都证明了其相对于现有最先进方法更能够预测人类的社会行为。

    Dec, 2018

  • 使用一系列的 GAN 生成合成图像进行行人检测

    提出一种新颖的图像生成流水线，其中包括三种不同的生成对抗网络，以增加行人检测的数据集，尽管生成的图像不总是对人眼视觉上愉悦的，但我们的检测基准显示结果明显超过基准线。

    Jan, 2024

  • PSGAN：一种用于遥感图像全色增强的生成对抗网络

    本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。

    May, 2018

  • 社交方式：使用 GAN 学习行人轨迹的多模态分布

    本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

    Apr, 2019

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 社交 GAN：具有生成对抗网络的社交可接受行迹

    通过将序列预测和生成对抗网络的工具相结合，我们成功地解决了自动移动平台中的人体运动行为预测问题，并在准确性，多样性，碰撞避免和计算复杂性方面胜过了以往的工作。

    Mar, 2018

  • SGAN：一种生成对抗网络的替代训练方法

    本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

    Dec, 2017

  • 基于生成对抗网络的基于补丁的图像修复

    本文提出了一种基于生成对抗网络（GAN）框架的图像修复方法，该方法利用全局 GAN（G-GAN）架构和 PatchGAN 方法结合进行鉴别器网络的构建，可较好地实现图像贴图的局部连续性和全局特征。经大量评估发现，与最新的现有技术相比，该框架在视觉和数量评估方面均取得了显著的改进。

    Mar, 2018

  • 检测基于 StyleGAN3 模型的生成对抗网络判别器中的病态偏差：一项案例研究

    生成对抗网络可生成逼真的面部图像，但在预训练的 StyleGAN3 模型中，鉴别器在图像和面部质量上存在系统性差异，这在性别、种族和其他类别上对图像不公平地影响，我们研究了鉴别器在肤色和亮度上对种族和性别的偏见，并研究了社会心理学中关于刻板印象研究中的常见标准。

    Feb, 2024