Sep, 2019

在特征空间中使用 Softplus 损失进行密度比估计的子采样生成对抗网络

PDF
TL;DR本文提出了一种基于 Softplus loss 的采样式密度比率估计方法，结合其发展了三种不依赖于判别器优化的密度比率子采样方法 (DRE-F-SP+RS、DRE-F-SP+MH 和 DRE-F-SP+SIR)，证明在多种 GANs 和多个数据集上的有效性。
generative adversarial networksdensity ratio estimationsoftplus lossfeature spacesubsampling methods
发现论文，激发创造
  • 鉴别器拒绝抽样

    本论文提出了一种使用 GAN 的鉴别器进行拒绝取样的方案，以近似校正 GAN 生成器分布中的错误，并在实际数据集上设计了一种名为鉴别器拒绝取样 (DRS) 的实用算法，以此改进了图片生成任务中的模型表现。

    Oct, 2018

  • Your GAN 是悄悄变成了能量基模型，你应该使用判别器驱动的隐变量采样

    本文提出了一种 Discriminator Driven Latent Sampling（DDLS）方法，使用 GAN 的隐含生成器 log 密度和鉴别器的 logit 分数定义一个能量函数，在生成器达到最优前，该函数表示最优真实数据密度。该方法在潜空间内运行 Langevin MCMC，并应用在生成器函数上，从而提高对多种类型的 GAN 进行训练的效率，并无需引入额外的参数或训练。在评估上达到了无条件图像合成的新的最新技术。

    Mar, 2020

  • 从密度比估计角度看生成对抗网络

    提出了一种基于密度比估计和 f - 散度最小化的算法，旨在通过多种视角来了解生成对抗网络（GANs）的特点，提高生成器的学习效果。

    Oct, 2016

  • 流引导密度比学习的生成建模

    本文提出了一种名为 FDRL 的方法，它采用渐进式学习，解决了由于分布差异导致的密度差距问题，可以生成高达 $128 imes128$ 尺寸的图像，且在定量基准测试上优于现有的梯度流算法。

    Mar, 2023

  • 深度直接密度比估计的非负 Bregman 散度最小化

    本文旨在解决 BD 最小化在高度灵活模型（例如深度神经网络）方面常常出现的过拟合问题。作者提出了一种经验 BD 估算器的非负校正方法，并在实验中证明了该方法的有效性及其在基于异常点检测的 “内点” 类问题上的表现。

    Jun, 2020

  • 从预训练扩散生成模型中分析任意比例的超分辨率能力

    本文提出了一种名为 Diff-SR 的基于预训练 DGMs 的任意尺度超分辨率模型，该模型通过向低分辨率图像注入适量的噪声并计算感知可恢复场（PRF）指标来实现最佳效果，并在实验中证明了它在不同的 ASSR 环境下的卓越性能。

    Jun, 2023

  • 对数和指数的威力：用于速度 - 准确度优化的序列密度比矩阵估计

    本文提出了 MSPRT-TANDEM，这是一个用于多类时间序列分类的模型，通过先进、准确的技术帮助进行早期分类，同时引入 DRME 来解决 MSPRT 算法中所必需的密度问题。

    May, 2021

  • 通过无穷小分类进行密度比率估计

    该论文提出了一种基于 DRE-∞的、通过蒙特卡罗方法的数值计算技术，从而能够更准确地估算高维度数据中的概率分布之间的密度比率，并为复杂的高维数据集上的任务（如相互信息估计和能量建模）提供了更好的性能。

    Nov, 2021

  • 生成对抗网络的重参数采样

    本文提出 REP-GAN，一种基于马尔可夫链重参数化的采样方法，能够在提高样本质量的同时大大提高采样效率。在合成和真实数据集上的广泛实验证实了 REP-GAN 的优越性。

    Jul, 2021

  • 傅里叶空间损失用于高效的感知式图像超分辨率

    本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法，利用新型 Loss Function 提升低复杂度生成器网络的表现，以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN 和 SRFlow 等最先进感知超分辨率方法相当的结果，并且比这些方法快 2.4 倍至 48 倍不等。

    Jun, 2021