自监督生成对抗网络中的辅助旋转损失
本文提出了一种自监督方法(LT-GAN)来提高生成对抗网络的生成质量和图像多样性,通过估计 GAN 引起的变化,即通过扰动生成器的潜空间引起的生成图像的变换,从而促进了关于潜在变换的语义连贯的图像的合成。实验证明 LT-GAN 在各种数据集上的有效性以及在 CelebA-HQ 和 ImageNet 上改善受控图像编辑方面的帮助。
Oct, 2020
提出了一种新型的、基于增强现实的自监督辨别器,并利用预测参数作为判别阈值,减弱了旧行的数据不变性,显著提升了数据效率,实验结果优于其他 GANs
May, 2022
BigBiGAN 扩展了目前最先进的 BigGAN 模型,通过添加编码器和修改鉴别器,实现在 ImageNet 上的无监督表示学习和非条件图像生成的最新状态,预训练的 BigBiGAN 模型可在 TensorFlow Hub 上使用。
Jul, 2019
提出了一种新的半监督生成对抗网络模型 (SS-GAN),通过适应 GAN 框架,使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布,特别针对半监督学习,通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布,实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。
Aug, 2017
本研究针对无监督 few-shot 目标识别,使用两种 GAN 损失函数进行自监督学习,实验结果表明该方法在 Mini-Imagenet 和 Tiered-Imagenet 数据集上显著优于现有技术。
Aug, 2020
本文研究了无监督图像翻译中的自我攻击问题,提出了两种防御技术,发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性,降低模型受低幅扰动的敏感度。
Aug, 2019
提出了一种简单而有效的无监督方法,通过使用聚类方法自动地生成类别标签,来训练条件生成对抗网络模型(GAN 模型)生成多样而逼真的图像,这种方法在处理模式崩溃方面表现优异,同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像,比以前的方法提高了标准的质量指标。
Jun, 2020
通过使用自监督学习的方法一方面设计了一种新的对抗网络(GAN)模型和一个无监督模型筛选方案,另一方面提出了一种对比约束规则来提高模型向目标空间映射时对潜在因素进行解耦的能力。这种方案与对抗网络或自编码器等其他方法相比,具有更高的可解释性和速度。
Jun, 2019