ICLRDec, 2018

关于具有谱控制的 GAN 的计算和泛化

PDF
TL;DR通过引入新的重新参数化方法和对权重矩阵的光谱进行控制，使生成对抗网络在图像生成方面取得了更好的表现。
generative adversarial networksspectral normalizationsingular value decayreparameterization approachimage generation
发现论文，激发创造
  • 生成对抗网络的谱归一化

    本文提出一种名为谱归一化的新颖权重归一化技术，用于稳定生成对抗网络的鉴别器训练。该方法计算轻便，易于应用于现有的实现，并通过在 CIFAR10、STL-10 和 ILSVRC2012 数据集上的实验验证了其有效性，确认谱归一化 GANs 能够生成更好或同质量的图像相对于之前的训练稳定技术。

    Feb, 2018

  • 对抗生成网络中的模式崩溃问题进行光谱正则化

    本论文提出了一种新的有效方法 —— 谱规则化（SR-GANs）来解决生成对抗网络（GANs）中的模式崩溃问题，并通过理论分析和大量实验结果展示了 SR-GANs 的有效性与优越性。

    Aug, 2019

  • 用于数据稀缺光谱应用的生成对抗网络

    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

  • GAN 的稀疏感知归一化

    本文提出了一种新的归一化方法（SAN），并通过大量实验证明，与现有的方法相比，SAN 能够在 GAN 的训练中取得更好的效果。SAN 考虑了稀疏性，并且在 ReLU 激活的卷积网络中特别有效，并且在图像到图像翻译任务中表现出更好的性能，并且能够在较少的训练时期内以及较小的容量网络中发挥作用，而且几乎不需要计算开销。

    Mar, 2021

  • LD-GAN: 低维度的生成对抗网络用于带有方差正则化的光谱图像生成

    本文提出一种基于低维 GAN 的数据增强方法，能够有效提高压缩光谱成像、光谱图像超分辨率以及 RGB 到光谱任务的表现，并在传统数据增强方法和同样应用 GAN 的方法的基础上取得了 0.5 到 1 [dB] 的改进。

    Apr, 2023

  • 通过群谱正则化改进长尾数据的 GAN

    本文旨在探讨如何解决长尾分布下的影像生成问题，在对类别分布不均衡的尾部类别生成图像时，提出了一种基于条件生成对抗网络和组谱正则化（gSR）的解决方法，并得到了实验验证。

    Aug, 2022

  • SSD-GAN: 空间和频谱域中真实度的度量

    本文提出了一种名为 SSD-GAN 的 GAN 算法增强版，加入了一个基于频率感知的分类器来测量输入图像在空间和频谱领域内的真实性，并采用增强版的辨别器来激励生成器生成真实数据高频内容和精确细节。该方法易于集成并验证其有效性。

    Dec, 2020

  • 生成对抗网络的一致性正则化

    本文提出了一种基于一致性正则化的简单、有效的 GAN 训练稳定器，通过在 GAN 鉴别器中引入数据扩充并惩罚鉴别器对这些扩充的敏感度，以在不增加显着计算开销的情况下，为无条件和有条件图像生成提供最佳结果。

    Oct, 2019

  • 用谱范数正则化来提高深度学习的普适性

    本研究通过对输入扰动的敏感性来研究基于深度学习的泛化能力，提出了一种简单而有效的正则化方法 —— 谱范数正则化，试验结果证实其比其他基准方法更具有泛化性能。

    May, 2017

  • 通过谱归一化来实现可推广性对抗性训练

    本研究旨在通过使用谱规范化方法，为深度神经网络在对抗性环境下的训练提供一种有效的正则化策略，以解决其在输入微小的对抗性扰动下缺乏鲁棒性的问题。同时，我们将边界损失延伸到对抗性环境，并限制了多个梯度攻击方案下深度神经网络的泛化误差。

    Nov, 2018