Sep, 2018

大规模 GAN 训练的高保真自然图像合成

PDF
TL;DR本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法，并提出了一种截断技巧来控制生成器输入方差，从而在生成高保真度和多样化样本方面实现平衡。该方法应用于 ImageNet 数据集上，在 128x128 分辨率下，IS（Inception Score）为 166.5，FID（Frechet Inception Distance）为 7.4，表现超过之前的方法。
generative adversarial networksorthogonal regularizationimagenetclass-conditional image synthesisbiggans
发现论文，激发创造
  • 条件图像合成与辅助分类器 GANs

    本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

    Oct, 2016

  • TinyGAN：基于 BigGAN 的有条件图像生成蒸馏

    提出了一种基于黑盒知识蒸馏的 GAN 模型压缩方法，将 BigGAN 作为教师网络，用较少的参数训练学生网络以模拟其功能，有效地缩小模型规模并在图像生成方面取得了有竞争力的表现。

    Sep, 2020

  • 使用较少标签进行高保真图像生成

    本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络，实现在仅使用少量标签数据的情况下，超越当前最先进的深度生成模型，并在 ImageNet 的无监督合成和有条件的情况下，匹配 BigGAN 模型的样本质量。

    Mar, 2019

  • InfinityGAN：无限像素图像合成

    我们提出了一种新颖的框架 InfinityGAN，用于与任意大小的图像生成相关的任务，它在资源和真实性方面具有优越性能，并可应用于空间风格融合、多模式外油漆和图像中间。

    Apr, 2021

  • 投影 GAN 更快收敛

    本文提出了一种基于预训练特征空间的投影生成对抗网络（GAN）来改善 GAN 的训练难度，通过将所生成的和真实样本投影到该空间中，激活深层特征，并混合深层特征中的通道和分辨率，从而提高图像质量和训练速度，并成功地将 Frechet Inception Distance （FID）值在 22 个基准数据集上进一步提高，同时加快了训练速度。

    Nov, 2021

  • 扩散模型生成的合成数据提升 ImageNet 分类准确性

    本研究使用大规模的文本到图像扩散模型对分类条件模型进行微调，进而在 ImageNet 分类准确性得分上实现了显著的提升，证明了利用自然图像模型进行生成数据增强的可行性。

    Apr, 2023

  • LOGAN: 生成对抗网络的潜在优化

    利用自然梯度基于潜在空间的优化改进了 CS-GAN 模型，增强了模型的生成器和辨别器之间的互动，通过在 ImageNet 数据集上的实验表明，该方法在生成对抗网络训练中可显著提高模型性能。

    Dec, 2019

  • StyleGAN-XL：将 StyleGAN 扩展到大规模多样化数据集

    使用强大的神经网络先验和渐进增长策略，成功地在 ImageNet 上训练了最新的 StyleGAN3 生成器，创造了新的 StyleGAN-XL 模型，并在大规模图像合成方面取得最新的技术突破。

    Feb, 2022

  • 复杂数据集上的对抗性视频生成

    本文提出了一种名为 DVD-GAN 的新模型，在复杂的 Kinetics-600 数据集上训练了大量生成对抗网络，成功地生成了高度复杂和逼真的视频图像。该模型通过对其鉴别器进行计算上的简化，可以扩展到更长和更高分辨率的视频中，并且在视频合成和预测方面取得了最新的最先进技术。

    Jul, 2019

  • 扩散模型对抗生成网络 (GANs) 在图像合成方面占优

    通过扩散模型和分类器引导，我们的图像合成方法在 FID 指标以及覆盖分布方面优于现有的生成模型，我们的代码开源。

    May, 2021