Dec, 2018

RankGAN: 一种用于生成人脸的最大边界排名生成对抗网络

PDF
TL;DR本文提出了一种新的阶段式学习方法以训练生成对抗网络（GAN），称为 RankGAN，该方法在不改变网络架构的情况下逐渐加强鉴别器，并因此提高生成器的效率。本研究聚焦于 CelebA 数据集中的人脸图像，展示了在人脸生成和完成任务方面的视觉和数量上的改进，相比 WGAN 和 LSGAN 等其他 GAN 方法，它首先提出了用于 GAN 鉴别器的基于边缘的损失，并将其扩展到基于边缘的排名损失来训练 RankGAN 的多个阶段。
发现论文，激发创造
  • 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

  • LR-GAN: 图像生成的分层递归生成对抗网络

    我们提出了 LR-GAN，这是一种考虑场景结构和上下文的对抗性图像生成模型，使用前景和背景分别和递归地生成，并以相关上下文方式将前景缝合在背景上，以产生完整自然图像。

    Mar, 2017

  • 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

  • 渐进式增长 GAN 以提高质量、稳定性和变化性

    通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

    Oct, 2017

  • 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

  • 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

  • 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

  • 生成式对抗网络

    提出了一种新的深度生成模型 —— 多对抗生成网络（GMAN），以实现高质量图像的生成，相比标准 GAN，使用了多个判别器进行训练，无需调整损失函数，实现了更快、更有效的训练。

    Nov, 2016

  • SGAN：一种生成对抗网络的替代训练方法

    本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

    Dec, 2017

  • 堆叠式生成对抗网络

    本文提出了一种名为 SGAN 的新型生成模型，其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈，对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量，SGAN 能够生成质量更高的图像。

    Dec, 2016