生成式深度场:通过深度学习生成任意大小的随机合成天文图像
使用生成对抗网络训练的方法,能够更好地恢复低信噪比和低角分辨率成像数据中的天体物体的详细特征,从而增加研究天体物体的现有数据集以及未来观测中的能力。
Feb, 2017
本文介绍了生成对抗网络在合成光谱数据方面的应用,提出了改进的 Wasserstein GANs 来避免模型崩溃,并证明了利用 CWGAN 数据增强可充分提高性能,同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。
Jul, 2023
本篇论文探讨了使用 DepthwiseGAN 架构生成逼真图像的方法,并通过 Fréchet Inception Distance 对生成数据质量进行了评估。结果表明,DepthwiseGAN 可以在较短的训练期间内生成逼真的图像,但是模型容量对于生成建模仍然具有重要作用。
Mar, 2019
本研究介绍一种基于深度卷积生成对抗网络的图像生成方法,能够使用少于两千张图像实现高分辨率(最大 1024x1024 像素)的真实感图像生成,未来可应用于计算机图形学和视觉效果。
May, 2017
本文介绍了一种基于生成对抗网络的新型纹理合成模型,即空间 GAN(SGAN),其通过将输入噪声分布空间从单一向量延展至整个空间张量,实现了高品质、高可扩展性和快速实时正向生成等特点,并能够将多个不同类别的源图像融合到复杂的纹理中。同时,本文还讨论了该方法的一些局限性,并将其与其他神经纹理生成技术进行了比较。
Nov, 2016
为了解决在密集区域 50% 的混合星系图像问题,我们提出了一种基于分支生成对抗网络的新型解混方法,并通过数据演示其高准确性、高峰值信噪比和结构相似得分,适用于未来大规模调查所需的海量数据处理。
Oct, 2018
对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程,例如在致密物体周围的吸积过程中发生的过程,通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例,证明生成对抗网络(GAN)能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5,表明生成的分布与真实分布无法区分。
Feb, 2024