多元敏感的条件生成对抗网络

ICLRJan, 2019

Diversity-Sensitive Conditional Generative Adversarial Networks

Dingdong Yang, Seunghoon Hong, Yunseok Jang, Tianchen Zhao, Honglak Lee

TL;DR这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

Abstract

We propose a simple yet highly effective method that addresses the mode-collapse problem in the conditional generative adversarial network (cGAN). Although conditional distributions are multi-modal (i.e., having

conditional generative adversarial network mode-collapse problem multi-modal distributions generator regularization diverse generations

发现论文，激发创造

基于模式寻找的生成对抗网络用于多样化图像合成

本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题，提出了一种简单而有效的正则化项，最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力，此正则化方法可广泛应用于各种不同的条件生成任务中，不会增加训练负担或修改现有的网络结构，实验证明该方法在提高多样性方面效果显著。

Mar, 2019

正则化生成对抗网络

本研究论文证明生成式对抗网络的不稳定性和漏模现象源自鉴别器在高位空间内的特殊功能形状，提出了多种正则化目标的解决方案从而实现生成模型的稳定训练并解决数据生成分布的漏模问题。

Dec, 2016

多智能体多元生成对抗网络

介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

多生成器生成对抗网络

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

规范化多元化

本文研究了生成对抗网络中的问题，提出了规范化多样性的概念，并通过控制样本内对应的高维输出的归一化成对距离，使得模型能在高维空间中主动探索，从而生成多样化的数据。实验表明，该方法在无监督图像生成、条件图像生成和手部姿态估计方面取得了一致的改进。

Apr, 2019

指定生成对抗网络

该论文介绍了一种新的生成对抗网络模型，称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象，并且通过优化熵正则化对抗性损失，并添加噪声，使得可以估算概率密度。实验结果表明，PresGAN 生成的样本质量高，且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。

Oct, 2019

DivCo: 基于对比式生成对抗网络的多样化条件图像合成

本研究提出了 DivCo 框架，使用对比学习（contrastive learning）约束生成图像之间的正 (positive) 和负 (negative) 关系，实现条件生成对抗网络 (cGANs) 的多样性图像合成。实验结果显示，DivCo 在多种无配对和配对图像生成任务中，能够产生比其他最先进的方法更多样化的图像，而且不会牺牲视觉质量。

Mar, 2021

用于解决基于 GAN 的 X 射线图像中模式崩溃问题的自适应输入图像归一化

通过研究不同类型的模式崩溃问题和它们对合成 X 射线图像的多样性的影响，本文探讨了将自适应输入图像归一化与深度卷积 GAN 和辅助分类 GAN 相结合以减轻模式崩溃问题的好处。通过将合成图像用于数据增强和训练视觉转换模型，使用准确度、召回率和精确度等指标评估模型的分类性能。结果表明，使用自适应输入图像归一化的 DCGAN 和 ACGAN 优于使用未归一化的 X 射线图像的 DCGAN 和 ACGAN，这体现在更好的多样性指标和分类指标上。

Sep, 2023

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

自我条件 GAN 的多样性图像生成

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