标签噪声鲁棒性生成式对抗网络

CVPRNov, 2018

Label-Noise Robust Generative Adversarial Networks

Takuhiro Kaneko, Yoshitaka Ushiku, Tatsuya Harada

TL;DR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。

Abstract

generative adversarial networks (GANs) are a framework that learns a generative distribution through adversarial training. Recently, their class-conditional extensions (e.g., conditional gan (cGAN) and auxiliary

generative adversarial networks conditional gan noisy labels disentangled representations training stability

发现论文，激发创造

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

条件 GAN 对噪声标签的鲁棒性

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。

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

RareGAN: 生成罕见类别的样本

本研究提出了 RareGAN，一种新的合成方法，通过使用带标签和未标记数据进行更好的泛化，请求最有用的标签，以及加权损失函数来倾向于学习罕见类，解决了针对标签预算下罕见类非完全标记的数据集学习生成式对抗网络的问题，并在不同应用中实现了比以前更好的保真度和多样性权衡。

Mar, 2022

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

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

正则化生成对抗网络

提出一个基于对抗生成网络的新模型 RegGAN，该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器，以便从与训练集概率分布不同的概率分布中生成样本，并可用于学习拓扑学中的某些先验概念。

Feb, 2021

类别分割生成对抗网络

本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能，以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平，即使在无监督设置下同样适用。

Sep, 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

带有辅助判别器的条件 GANs

该论文提出了一种使用辅助判别器的条件 GAN（ADC-GAN），具有较高的类内多样性，可以更准确地生成有条件的数据，并在合成及真实数据集上进行实验取得了优越结果。

Jul, 2021