使用分解判别器训练生成对抗网络从不完整观测中生成图像
本文提出了一种基于 GAN 的框架,用于学习复杂、高维度的不完整数据,其中包括生成完整数据生成器和建立缺失数据分布的掩码生成器,同时还采用对抗训练技术完成缺失数据的插补处理,并在缺失随机假设下进行了多种类型的实验验证。
Feb, 2019
本文提出一种自适应判别器增广机制,稳定有限数据中生成对抗网络的训练,无需改变损失函数或网络架构,适用于从头开始训练和调优现有 GAN 的情况,并在几个数据集上进行了实证分析,结果表明,仅使用少量的训练图像就可以获得好的结果,通常与 StyleGAN2 的结果相匹配,而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域,并发现 CIFAR-10 是一个有限数据基准,在此基础上改进了记录 FID(Fréchet Inception Distance) 由 5.59 到 2.42。
Jun, 2020
通过训练 GAN 在人工数据集上,我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上,我们的方法在流行的指标(IS 和 FID)上明显优于现有技术的表现。
Jul, 2020
本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成,提出了自适应滤波器调制(AdaFM)的方法,证明了此技术在限制数据生成方面的有效性。
Feb, 2020
本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型,学习在数据匹配和标签匹配之间平衡的方法,并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题,实验结果表明其在多个真实数据集上具有良好的效果。
Aug, 2021
该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题,即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明,在两个合成数据集上,这种方法有效地减少了模式坍塌,而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。
Jun, 2018
提出了一种基于多个鉴别器网络来训练生成器的创新框架,通过更新分配给每个判别器的混合权重来反映生成器的进展情况,实验结果表明能够通过学习曲线来提高样本的质量和多样性。
Jul, 2018