生成对抗网络中的协同采样
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
通过引入一种简单的方法,使真实数据分布经过一个‘透镜’传达给辨别器,让生成器逐步揭示出更多细节特征,改善了 GAN 训练的质量、稳定性和收敛速度,对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。
Feb, 2018
该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题,即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明,在两个合成数据集上,这种方法有效地减少了模式坍塌,而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。
Jun, 2018
本文提出了一种自洽学习的框架,利用生成对抗网络的生成模型和判别模型的博弈优化,使两者协同训练,避免了 GAN 训练不稳定的问题,并在句子语义匹配问题上实现了较好的性能。
Mar, 2023
提出了一种基于多个鉴别器网络来训练生成器的创新框架,通过更新分配给每个判别器的混合权重来反映生成器的进展情况,实验结果表明能够通过学习曲线来提高样本的质量和多样性。
Jul, 2018
从在线持续学习的角度出发,提出了一种新颖的 GAN 方法,通过将生成的数据视为流来训练鉴别器模型,并自动检测其阻塞并动态遮罩其特征,使其能够适应临时变化的生成数据分布。实验结果表明,该方法优于现有的最先进方法。
Jun, 2023
本文提出了一种新型的 GAN 结构 ControlGAN,通过将特征分类器与鉴别器分离,设计了一个可以控制样本特定详细特征的生成器,并使用多个图像数据集进行了评估,展示了 ControlGAN 在生成具有良好控制特性的改进样本方面的潜力。此外,我们证明了 ControlGAN 可以为插值和外推输入标签生成中间特征和相反特征,这表明 ControlGAN 可以显着增加生成样本的多样性。
Aug, 2017
本文提出了一种改进样本质量的新方法:在模型训练之前通过实例选择来改善经验数据分布,将模型容量重定向到高密度区域,从而提高样本保真度,降低模型容量要求和显著减少训练时间。
Jul, 2020