Jun, 2019

Mind2Mind : GAN 的迁移学习

PDF
TL;DR该论文提出了一种基于迁移学习和自编码约束的生成对抗网络的训练技巧，可以极大加速高质量图像的训练，并在最优传输的框架下证明了该方法的收敛性和训练距离的精确界限。
generative adversarial networkstransfer learningautoencoder constrainttraining accelerationoptimal transport
发现论文，激发创造
  • 使用超调制将无条件 GAN 转化为有条件 GAN

    本论文旨在通过构建超调制生成网络，利用先前训练好的非泛化 GANs 来实现对条件 GANs 的迁移学习，提高训练的效率和样本利用率，并运用对比学习进一步提高判别器的性能。

    Dec, 2021

  • E$^{2}$GAN: 图像到图像翻译的高效 GAN 训练

    通过利用大规模的文本到图像扩散模型进行数据提炼，我们提出了一种更高效的方法，通过精细调整通用化特征的基础生成对抗网络模型，而不是重新训练整个基础模型，并采用简单但有效的秩搜索过程来进行低秩适应，从而显著减少了培训成本和与每个概念相关的存储，使得移动设备能够高效地实现实时高质量的图像编辑。

    Jan, 2024

  • 利用预训练的 GAN 生成有限数据

    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

  • GAN 转移：从有限数据生成图像

    本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

    May, 2018

  • 冻结鉴别器：GAN 微调的简单基线

    本论文研究了如何通过简单的微调方法，冻结鉴别器的下层来训练 GAN。这种方法可以显著提高 GAN 的性能，并在 Animal Face、Anime Face、Oxford Flower、CUB-200-2011 和 Caltech-256 数据集上得到了验证。

    Feb, 2020

  • DeepI2I：通过 GAN 传递实现深层次图像到图像的翻译

    DeepI2I 为一种新的基于深度学习和层级特征的图像翻译方法，采用转移学习技术和适配器网络解决了高分辨率瓶颈和对小数据集性能较差的问题，在三个数据集上的实验结果表明可以显著提高多类别图像翻译的性能。

    Nov, 2020

  • T-GD: 可转移的 GAN 生成图像检测框架

    本文提出了一种名为 T-GD 的转移性 GAN 图像检测框架，它包括一个教师模型和一个学生模型，通过迭代地相互训练和评估来提高检测性能，着重于提高 GAN 图像检测的可转移性和迁移学习能力，可以在没有元数据信息的情况下，通过很少的数据就能够有效地检测最新的 GAN 图像。

    Aug, 2020

  • 高分辨率图像合成的加速框架

    本文提出了一种两阶段的框架，用于加速合成高分辩率图像的训练过程，其通过已训练好的编码器和解码器网络将高分辨率图像变换为小编码，并通过训练一种编码生成网络学习潜在编码的分布，生成器只学习生成小的潜在编码，最后通过解码器网络将生成的潜在编码转化为图像空间，提高了合成样本的质量，并在可用硬件资源的限制下大幅缩短了训练时间。

    Sep, 2019

  • MineGAN：使用少量图像从 GANs 向目标领域有效地进行知识传递

    通过挖掘预训练 GAN 中与目标域最有益的知识并利用挖掘器网络，将 GAN 采样导向合适的潜空间区域，MineGAN 方法有效地将知识迁移到目标图像较少的域，避免其他方法中出现的路径问题和缺乏灵活性。

    Dec, 2019

  • 面向高保真度小样本图像合成的更快更稳定的 GAN 训练

    本文提出了一种轻量级的 GAN 结构，通过跳过层通道智能激发模块和自监督判别器训练作为特征编码器，实现少量样本进行高保真度图像的合成与生成。与 StyleGAN2 相比，本模型在数据和计算预算有限的情况下具有卓越的性能表现。

    Jan, 2021