Sep, 2018

ClusterGAN：生成对抗网络中的潜空间聚类

PDF
TL;DR本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制，通过从一热编码变量和连续变量的混合中采样潜变量，再结合一个特定于聚类的损失函数，与一个将数据投影到潜空间的逆网络共同训练，我们能够在潜空间中进行聚类。结果表明，GAN 可以保留类别之间的潜空间插值，即使鉴别器从未接触过这些向量，并且在合成和真实数据集上，我们的结果比各种聚类基线表现更好。
generative adversarial networksunsupervised learningclusteringlatent spaceclustergan
发现论文，激发创造
  • 深度生成对抗网络中的潜在向量对聚类效果的影响

    本文探讨了生成对抗网络中聚类的问题，并从多模态潜在空间的角度提出了新的解决方案，该方案通过可调节的先验和所需聚类先验的影响来实现聚类。我们证明了所有组件的重要性，并提出了一种使用稀疏监控的多模态潜在空间的过程来便于学习聚类先验。

    May, 2020

  • 3D GANs 和潜空间：综合调查

    本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种 GAN 的变体和训练方法，旨在提高 3D GAN 的训练效果，同时提出了未来研究的方向。

    Apr, 2023

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • 生成对抗网络的 Stein 潜变量优化

    本文介绍了一种命名为 SLOGAN 的新方法，通过引入编码网络和无监督条件对比损失来确保单个混合分量生成的数据代表单个属性，成功地学习了平衡或不平衡的属性，并在缺少属性信息（例如不平衡比）的情况下实现最新的无监督条件生成性能。

    Jun, 2021

  • 生成对抗网络中的无监督投影网络

    本文提出了使用无监督学习训练投影网络，将已经训练的生成器的潜空间投影出来。我们将此方法应用于已训练的 StyleGAN，并使用我们的投影网络对图像超分辨率和聚类进行了研究。

    Sep, 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

  • 对抗特征学习

    通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

    May, 2016

  • 基于生成对抗网络的对比细粒度类聚类

    本研究提出了一种基于信息生成对抗网络和对比学习的无监督细粒度图像聚类方法，旨在学习特征表示，促进数据集在嵌入空间中形成明显的聚类边界，同时最大化潜在编码与图像观测之间的互信息。实验结果表明，该方法在四个细粒度图像数据集上实现了最先进的聚类性能，同时缓解了模式崩溃现象。

    Dec, 2021

  • 使用生成对抗网络的任务感知压缩感知

    使用对抗生成网络（GANs）代替稀疏约束来构建结构，针对重建任务进行任务感知型训练，并证明可以不使用（或少量使用）非压缩数据训练模型，最后展示 GAN 的潜空间携带有判别信息，并可进一步规范化以生成用于一般推断任务的输入特征，通过对多种重构和分类问题的实验验证方法的有效性。

    Feb, 2018

  • 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