利用空间生成对抗网络(SGANs)和数据驱动的方法,成功地生成了类似哈勃空间望远镜极深场(XDF)的高保真度星系图像,表明该技术在天体物理学及其他领域制造大规模逼真的模拟调查和合成数据的潜力。
Apr, 2019
使用生成对抗网络训练的方法,能够更好地恢复低信噪比和低角分辨率成像数据中的天体物体的详细特征,从而增加研究天体物体的现有数据集以及未来观测中的能力。
Feb, 2017
为了解决在密集区域 50% 的混合星系图像问题,我们提出了一种基于分支生成对抗网络的新型解混方法,并通过数据演示其高准确性、高峰值信噪比和结构相似得分,适用于未来大规模调查所需的海量数据处理。
Oct, 2018
本文探讨了使用生成对抗网络 (GAN) 合成高度逼真图像的优化问题,针对当下模型存在的问题,提出了一种修改规则和设计模型的方法。实验表明,我们的方法可以更有效地训练 GAN 模型,并以 3D 物体投影问题为例进行了验证。
May, 2017
使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。
Aug, 2019
本文介绍了生成对抗网络在合成光谱数据方面的应用,提出了改进的 Wasserstein GANs 来避免模型崩溃,并证明了利用 CWGAN 数据增强可充分提高性能,同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。
Jul, 2023
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
May, 2023
对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程,例如在致密物体周围的吸积过程中发生的过程,通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例,证明生成对抗网络(GAN)能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5,表明生成的分布与真实分布无法区分。
Feb, 2024
该论文研究了生成模型的视觉泛移能力,发现虽然目前的生成对抗网络(GAN)可以很好地拟合标准数据集,但它们仍然没有成为视觉流形的全面模型。同时,研究者还发现这些模型反映了训练数据集的偏差,并提出了一些缓解问题的技术。
Jul, 2019
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023