Aug, 2019

$L_2$正则输运正则化的势流生成器

HTML
PDF
TL;DR本研究提出了具有$L_2$优化输运规则的潜在流生成器，可轻松集成到包括不同版本的GAN和基于流的模型在内的各种生成模型中。研究表明潜在流生成器在二维问题中的正确性和鲁棒性，并阐明了$L_2$优化输运规则对“接近度”概念的影响。此外，我们展示了在MNIST数据集和CelebA数据集的无配对训练数据图像转换任务中潜在流生成器的有效性。
发现论文，激发创造
  • Flow-GAN：在生成模型中结合最大似然和对抗学习

    通过混合训练方式，利用生成对抗网络以及精确似然估计评估方法，解决了最大似然训练无法评估生成质量的问题。

    May, 2017

  • 最优输运和生成模型的几何视角

    本文提出一种基于凸几何和最优输运的可变分模型生成方法，通过对 GAN 模型的最优输运视角，表明判别器计算Kantorovich势，生成器计算输运映射

    Oct, 2017

  • 生成模型潜空间分布保持操作的最优输运映射

    本文介绍了使用分布匹配传输映射来确保潜在空间操作保留先前分布并实现更高质量样本的方法。

    Nov, 2017

  • 应用最优输运改进GANs

    本文介绍了新兴的生成对抗网络--优化输运生成对抗网络，提升了图像生成模型的稳定性和生成效果，主要特点是利用adversarially learned feature space来定义mini-batch energy distance度量优化目标，在多个经典image generation benchmark test中达到了最好的性能表现。

    Mar, 2018

  • 使用生成对抗网络的可伸缩非平衡最优输运

    本文介绍一种基于生成对抗网络的可伸缩的非平衡优化输运方法，该方法可以同时学习输运映射和缩放因子，以最优的代价推动源测量到目标测量，并提供了理论证明和数值实验。

    Oct, 2018

  • 对抗计算最优输运映射

    本文介绍了一种新的基于生成对抗网络的优化输运模型，使用$2$-Wasserstein距离度量判别器的目标函数，证明了在训练期间，生成器沿着初始和目标分布之间的$W_2$-测地线走，最终重现出最优映射，在低维和高维连续设置中进行验证，并证明其在图像数据上的性能优于以前的方法。

    Jun, 2019

  • 鉴别器最优输运

    通过鉴别器优化过程，我们在一类广义生成对抗网络中证明，鉴别器训练过程增加了 $p$ 与 $p_G$ 之间Wasserstein距离的双重代价函数下界，这意味着训练后的鉴别器可以近似从 $p_G$ 到 $p$ 的最优传输方案。基于一些实验和一点OT理论，我们提出了一个判别器最优传输方案（DOT）来改善所生成的图像。我们证明它可以提高Inception分数和由CIFAR-10，STL-10和ImageNet的公共预训练条件GAN训练的FID计算得出的非条件GAN的生成质量。

    Oct, 2019

  • 通过判别器梯度流完善深度生成模型

    通过熵正则化的f-散度梯度流技术，可以提高生成数据的质量，避免了浪费的样本拒绝，可以应用于各种生成系统，并取得了显著的效果优于DOT和DDLS方法。

    Dec, 2020

  • 最优输运映射生成建模

    该研究提出了一种使用Optimal Transport map直接在高维图片空间中进行生成建模的算法，并在图像恢复等任务上验证了其有效性。

    Oct, 2021

  • 基于最优传输的条件采样生成流

    提出了一种非参数生成模型，通过使用三角形状的传输映射来描述目标分布的条件分布，解决了基于参数的偏差和梯度优化器学习这些转换的可靠性问题。

    Jul, 2023