基于模式寻找的生成对抗网络用于多样化图像合成

CVPRMar, 2019

基于模式寻找的生成对抗网络用于多样化图像合成

Mode Seeking Generative Adversarial Networks for Diverse Image Synthesis

Qi Mao, Hsin-Ying Lee, Hung-Yu Tseng, Siwei Ma, Ming-Hsuan Yang

TL;DR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。

Abstract

Most conditional generation tasks expect diverse outputs given a single conditional context. However, conditional generative adversarial networks (cGANs) often focus on the prior conditional information and ignor

conditional generation generative adversarial networks mode collapse regularization diversity

发现论文，激发创造

多元敏感的条件生成对抗网络

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。

Jan, 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

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

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

基于条件生成对抗网络的小样本持续学习

本论文提出了一种基于新的模式亲和力度量的条件生成对抗网络（conditional generative adversarial networks，cGAN）的新连续学习方法，该方法可以在限制样本的情况下学习到目标模式，同时不会对之前学习到的模式造成不利影响；论文采用模拟回放方法不断生成 labeled data 样本，并利用加权标签将目标模式纳入连续学习模型，实现预防灾难性遗忘的目标，实验结果表明该方法在利用更少在训练样本的情况下，比基线模型和现有技术手段显著提高了模型的生成效果。

May, 2023

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

利用自适应多对抗训练克服模式崩溃

本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

Dec, 2021

VEEGAN: 使用隐式变分学习减少 GAN 中的模式崩塌

VEEGAN 是一种新颖的自动编码器，它通过反转生成器的作用从数据到噪声的映射来解决 GAN 中的 mode collapse 问题，并针对噪声提供了新的自动编码器损失函数。它在合成和真实图像数据集中，相较于其他 GAN 变体，产生更逼真的样本并且抵制模式坍缩。

May, 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

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