Mar, 2019

O-GAN: 极简的自编码生成对抗网络方法

PDF
TL;DR本文提出了正交生成对抗网络 (O-GANs)，通过将鉴别器网络正交分解并在普通 GANs 的目标函数中加入附加损失，实现了鉴别器作为有效编码器的功能，并能嵌入于任何类型的 GANs 中，这是训练具备自编码能力的生成对抗网络最简单的方法。
orthogonal generative adversarial networksdiscriminator decompositionextra lossgenerative adversarial networkauto-encoding ability
发现论文，激发创造
  • 自动编码生成对抗网络的变分方法

    本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

    Jun, 2017

  • 仅需两者：对抗生成 - 编码网络

    我们提出了一种新的自编码器类型架构，它可以以无监督的方式进行训练，支持生成和推断，并通过对抗学习增强条件和无条件样本的质量。与以前的自编码器和对抗网络混合体不同，我们方法中的对抗游戏直接在编码器和生成器之间进行，训练过程中没有外部映射。游戏目标是将真实数据分布和生成数据分布的差异与潜在空间中的先验分布进行比较。我们展示了直接生成器对编码器游戏会导致两个组件的密切耦合，从而产生与一些最近提出的更复杂的架构相当的样本和重建质量。

    Apr, 2017

  • SGAN：一种生成对抗网络的替代训练方法

    本研究探讨了一种名为 SGAN 的备选训练方法，通过该方法，多个对抗的 “本地” 网络对可独立进行训练，以便 “全局” 监督网络可以针对它们进行训练，以提高模式覆盖性能。实验结果表明，该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。

    Dec, 2017

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • OodGAN: 用于域外数据生成的生成对抗网络

    使用 SeqGAN 的 OodGAN 模型，可直接处理文本数据而无需附加自编码器组件，生成的 OOD 数据优于 ROSTD 和 OSQ 数据集的现有模型，因其相应的假阳性率的 FPR 0.95 相对提高了 67％和 28％（Zheng et al.，2020）。

    Apr, 2021

  • OCGAN: 使用具有约束潜在表示的 GAN 进行单类别新奇性检测

    本文提出了一种新的模型 OCGAN，基于 denoising auto-encoder network 学习隐空间的表示，并使用两个 adversarial 训练的鉴别器来强制约束隐空间的表示只包含给定类别。该方法在两个 one-class novelty detection 协议中，在四个公开数据集上取得了最先进的结果。

    Mar, 2019

  • Omni-GAN：关于 cGANs 的秘密和更多

    本文介绍了一种基于条件生成对抗网络的改进方法 Omni-GAN，并解决了训练模型时适当设计鉴别器的问题，实验结果表明，Omni-GAN 和 Omni-INR-GAN 在广泛的图像生成和恢复任务中表现优异，并且 Omni-INR-GAN 在 ImageNet 数据集上设置了新记录。

    Nov, 2020

  • 生成式对抗网络

    提出了一种新的深度生成模型 —— 多对抗生成网络（GMAN），以实现高质量图像的生成，相比标准 GAN，使用了多个判别器进行训练，无需调整损失函数，实现了更快、更有效的训练。

    Nov, 2016

  • 进化生成式对抗网络

    本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

    Mar, 2018

  • 生成对抗网络及其变体的工作原理：概述

    本文主要讨论生成对抗网络的应用和基本操作，介绍了 GAN 如何学习高维度、复杂的真实数据分布，并不需要假设分布，同时讨论了 GAN 加入自动编码器框架、用于图像合成、图像编辑和分布学习等多种变体。

    Nov, 2017