提出了稳定且并行的方法,用固定的计算资源训练 Wasserstein 条件 GAN,通过使用多个生成器并避免进程间通信来减少模式塌陷的风险和提高可扩展性。在 CIFAR10,CIFAR100 和 ImageNet1k 数据集上验证了该方法的性能,并以固定计算时间内的可扩展性和最终准确性来评估性能。使用达到 2000 个 NVIDIA V100 GPU 的 OLCF 超算机 Summit 进行弱扩展.
Jul, 2022
本文提出了一种基于深度学习的条件瓦瑟斯坦生成对抗网络方法,通过利用推断向量的先验分布和基于物理学的前向模型生成训练数据,学习推断向量的条件密度分布并生成样本,实现求解相关反问题的目的。
Jun, 2023
提出了一种比传统的 WGAN 更好的 GAN 训练方法,使用正则化替代权重截取,通过惩罚评判器对其输入梯度的范数,可以实现各种 GAN 结构的稳定训练和高质量生成。
Mar, 2017
本文提出了一种利用 Wasserstein 生成对抗网络(WGANs)加速未知场景中机器人路径规划任务的新方法,该方法将 WGAN-GP 与连续潜在空间的变分自动编码器相结合,涉及到简化配置空间,使用同调秩测度评估重构的配置空间以及一种新的机器人配置空间的转换等关键技术
本文研究生成式对抗网络的一种成功变体 Wasserstein GANs,并证明在生成器为一层网络时,使用随机梯度上升下降法可以在多项式时间和样本复杂度内收敛到全局最优解。
Oct, 2019
本文介绍了一种新的基于生成对抗网络的优化输运模型,使用 $2$-Wasserstein 距离度量判别器的目标函数,证明了在训练期间,生成器沿着初始和目标分布之间的 $W_2$- 测地线走,最终重现出最优映射,在低维和高维连续设置中进行验证,并证明其在图像数据上的性能优于以前的方法。
Jun, 2019
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
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
该研究提出使用生成对抗网络(GAN)来 “合成” 零样本类别的 CNN(卷积神经网络)特征,从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明,该方法在多个数据集上的表现均显著优于现有方法。
Dec, 2017
我们引入了 Primal-Dual Wasserstein GAN 作为一种新的学习算法,用于基于最优输运问题的原始和对偶公式建立数据分布的潜在变量模型,同时通过对偶公式训练解码器实现生成模型,通过适当的正则化来保留最优批评者的性质,实现比以前的方法更好的图像生成效果。
May, 2018