CVPRMar, 2019

OCGAN: 使用具有约束潜在表示的 GAN 进行单类别新奇性检测

PDF
TL;DR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。
ocganone-class novelty detectionlatent spaceadversarial trainingstate-of-the-art
发现论文，激发创造
  • 基于 GAN 的新奇性检测

    通过使用基于生成式对抗网络的方法，我们提出了一种用于同时分类和新颖性检测的多分类判别器，通过从名义和新颖的数据分布混合中生成样本，对于新颖性检测具有最优性能，并且实验结果表明，该方法优于传统方法。

    Feb, 2018

  • O-GAN: 极简的自编码生成对抗网络方法

    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。

    Mar, 2019

  • OpenGAN: 开放集合生成对抗网络

    本研究提出一种基于度量空间和开放集 GAN 结构的生成模型，利用度量学习模型提取语义信息来生成类别和细粒度相似的图像，支持生成超越 GAN 训练样本集的图像，数据增强实验表明该方法显著提高了分类器的性能。

    Mar, 2020

  • OAAE：通过正交潜空间进行多模态正常情况下的新颖性检测的对抗自编码器

    本文提出一种通过正交化低秩嵌入来度量多模态正态性中新奇性得分的新方法，通过该方法与使用 GAN 的 RaPP 和 OCGAN 等现有新颖性检测算法的比较，实验结果表明该方法优于那些算法。

    Jan, 2021

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • ClusterGAN：生成对抗网络中的潜空间聚类

    本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制，通过从一热编码变量和连续变量的混合中采样潜变量，再结合一个特定于聚类的损失函数，与一个将数据投影到潜空间的逆网络共同训练，我们能够在潜空间中进行聚类。结果表明，GAN 可以保留类别之间的潜空间插值，即使鉴别器从未接触过这些向量，并且在合成和真实数据集上，我们的结果比各种聚类基线表现更好。

    Sep, 2018

  • 基于对抗学习的一类分类器用于新奇性检测

    本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

    Feb, 2018

  • 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

  • 生成网络的潜空间优化

    本文介绍了生成对抗网络的成功因素，并提出 “生成潜在优化” 框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

    Jul, 2017

  • OOGAN: 用 One-Hot Sampling 和正交正则化解开 GAN 的纠缠

    本文探讨了使用 GAN 实现无监督分解学习的潜力，提出了一种新的基于 GAN 的分解框架，使用 One-Hot Sampling 和正交正则化 (OOGAN)。通过针对生成器和鉴别器结构的微小结构变化和正交正则化，实现了更优秀的分解结果，且实验结果表明在高分辨率图像上 OOGAN 取得了很好的效果。

    May, 2019