AAAIMay, 2019

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

PDF
TL;DR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。
发现论文，激发创造
  • InfoGAN-CR 和 ModelCentrality: 面向 GAN 解耦的自监督模型训练和选择

    通过使用自监督学习的方法一方面设计了一种新的对抗网络（GAN）模型和一个无监督模型筛选方案，另一方面提出了一种对比约束规则来提高模型向目标空间映射时对潜在因素进行解耦的能力。这种方案与对抗网络或自编码器等其他方法相比，具有更高的可解释性和速度。

    Jun, 2019

  • 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

  • 无监督解缠的光谱正则化

    通过对生成模型进行解缩表示，可以独立控制输出的不同方面，本文提出了一种基于奇异值分解的正则化方法，可以用来无监督地训练 GANs 生成具有独立控制的输出。

    Dec, 2018

  • 无监督图像生成中的正交 Jacobian 正则化强制解耦

    本文提出一种名为 OroJaR 的正交 Jacobian 正则化方法，用于鼓励深度生成模型学习独立的表示方法，从而在图像生成方面表现出较高的效果和优越性能，实验标明该方法在空间相关变化等方面的潜在功能表现良好。

    Aug, 2021

  • 无自编码的无监督解缠的陷阱和未来方向

    本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

    Aug, 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

  • 用半监督式 GAN 进行解缠学习

    本文提出了一种基于 StyleGAN 的半监督高分辨率解缠方法，旨在克服现有解缠方法在处理高分辨率图像、重视解缠表示的限制以及无监督设置下的不可识别性等局限性。实验结果表明，使用仅有 0.25％〜2.5％的标记数据，就可以在合成和真实数据集上实现良好的解缠，同时提出了新的指标来量化生成器的可控性，并且在探究解缠表示学习和可控生成之间的权衡时，发现其之间存在重要的平衡关系。

    Mar, 2020

  • 使用解耦范数实现更好的正交性约束，训练深度卷积神经网络

    提出了一种用于改善卷积神经网络中的正交性的新方法，解决了传统正交性方法中对于模型容量提升的难题。通过我们的正交性偏差度量和我们的正交性放松理论，我们的工具包实现了最先进的性能和更加鲁棒的模型特征。

    Jun, 2023

  • 通过结构化噪声注入实现图像分离生成

    通过多个噪声编码与全连接层进行注入噪声的设计选择，实现了对生成对抗网络（GANs）的潜在空间进行解缠纷的目标，并达到更好的解缠纷分数，同时实现了对生成图像的空间解缠纷、尺度空间解缠纷和前景对象与背景样式的解缠纷，从而实现了对生成图像的精细控制。

    Apr, 2020

  • 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