Nov, 2018

条件 GAN 对噪声标签的鲁棒性

PDF
TL;DR本文提出了 Robust Conditional GAN (RCGAN) 和 RCGAN-U 模型，前者利用引入噪声的方法，生成具有干净标签的样本来训练有强鲁棒性的条件生成器，后者则同时学习噪声模型和生成器以达到更好的效果。实验结果表明，两种方法都显著优于基线方法，并且 RCGAN-U 的性能接近于 RCGAN 的性能表现。
conditional generatorsnoisy labeled samplesrobust conditional ganprojection discriminatornoise model
发现论文，激发创造
  • 标签噪声鲁棒性生成式对抗网络

    该论文提出了一种名为 rGAN 的新型 GAN 模型，通过加入噪声转移模型，在训练标签出现噪声的情况下，可以学习到一个干净的带条件的生成分布。该模型在不同的噪声设置和多种评估指标下得到了有效的表现。

    Nov, 2018

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018

  • 无监督域自适应中的生成式伪标签精炼

    利用条件生成式对抗网络 (cGANs) 对其条件标签中的噪声天然具有的鲁棒性，研究并刻画了其主题和研究领域，并在无监督域适应 (UDA) 中利用这一特性。在这种情况下，一个经过训练的分类器可以用于推断出未标记的目标集上的伪标签。我们展示了 cGANs，在某种程度上可以对此类 “shift noise” 保持稳健性。

    Jan, 2020

  • 噪声抗干扰生成对抗网络

    提出了一种名为 NR-GANs 的生成对抗网络，它可以在训练图像受到干扰的情况下学习到更好的图像生成器，并且可以应用于图像降噪。该论文还引入了约束条件来鼓励噪声生成器仅抓住噪声的特定组成部分，并在三个基准数据集中展示了其有效性。

    Nov, 2019

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021

  • 强健的生成对抗网络

    本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法，并在 CIFAR-10 数据集上的实验表明，该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。

    Apr, 2020

  • 模糊、噪声和压缩鲁棒性生成对抗网络

    提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN)，它可以在不知道降解参数的情况下直接从退化图像中学习干净图像，同时适用于不可逆降解，例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值，并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析，我们证明了 BNCR-GAN 的有效性，并证明了其在图像恢复中的适用性。

    Mar, 2020

  • 基于不确定性感知配对比较的鲁棒条件 GAN

    本论文提出了一种新的生成对抗网络 (PC-GAN)，利用成对比较的弱监督来进行图像属性编辑，通过贝叶斯不确定性估计和抗噪声的对抗训练，PC-GAN 可以有效地估计属性评分，并在噪声抗性方面表现出出色的性能。在大量实验证明，PC-GAN 与完全监督方法性能相当且优于无监督基线。

    Nov, 2019

  • 使用柔性课程学习有噪标签和未编辑的无标签数据的条件 GAN

    该研究介绍了一种新的条件图像生成框架，该框架在训练过程中接受带有噪声标签和未经筛选的无标签数据，采用软课程学习来对付标签噪声和无标签数据，经实验证明该方法在量化和定性性能方面优于现有的半监督和标签噪声鲁棒方法。

    Jul, 2023