CVPRJan, 2019

CollaGAN: 遗漏图像数据填补的协同生成对抗网络

PDF
TL;DR本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架，该框架将图像填充问题转化为多域图像到图像的翻译任务，以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据，实验证明与现有竞争方法相比，CollaGAN 能够产生更高质量的图像。
missing data imputationcollaborative generative adversarial networkmulti-domain images-to-image translationgenerator networkvisual quality
发现论文，激发创造
  • VIGAN: 基于生成对抗网络的缺失视图插值

    本文提出了一种基于生成对抗网络（GAN）和去噪自动编码器（DAE）的视图插补方法，该方法能够有效地解决多视图数据分析中的缺失视图问题，并可用于生命科学领域的遗传研究。

    Aug, 2017

  • MisGAN：用对抗生成网络从不完整的数据中学习

    本文提出了一种基于 GAN 的框架，用于学习复杂、高维度的不完整数据，其中包括生成完整数据生成器和建立缺失数据分布的掩码生成器，同时还采用对抗训练技术完成缺失数据的插补处理，并在缺失随机假设下进行了多种类型的实验验证。

    Feb, 2019

  • FragmGAN: 面向片段数据插值和预测的生成对抗网络

    通过利用响应模式的结构，我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架，旨在同时处理片段数据的插补和标签预测，与其他基于生成模型的插补方法不同的是，该方法具有理论保证并且可以处理 Missing At Random （MAR）的数据。在广泛的实验中，FragmGAN 表现出较大的预测性能优势。

    Mar, 2022

  • GAIN: 使用生成对抗网络进行缺失数据插补

    本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法，称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息，即提示向量，我们测试了我们的方法，并发现 GAIN 显著优于现有的插值方法。

    Jun, 2018

  • 随机缺失输入数据的多域图像补全

    本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

    Jul, 2020

  • DPGAN：用于图中缺失数据填补的双路径生成对抗网络

    本文提出了一种名为 Dual-Path Generative Adversarial Network (DPGAN) 的新框架，用于同时处理缺失数据和避免过度平滑问题，在广泛的基准数据集上进行了全面的实验证明，DPGAN 始终能与现有的最先进的数据补全算法相媲美，甚至胜过其它算法。

    Apr, 2024

  • 基于生成对抗网络的分类型电子病历填补

    本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法，该方法基于 GAN 技术，可以有效地提高数据预测精度。

    Aug, 2021

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 耦合生成对抗网络

    本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • 打破循环 -- 同事就是你需要的全部

    该研究提出了一种新的图像到图像的转换方法，通过多个 GAN 的协作实现多模态目标 ，可解决许多传统 GAN 存在的问题，包括不必要的痕迹、大物体移除以及形状变换困难等，实验结果在多个应用场景和数据集中都表现出优异的性能。

    Nov, 2019