Oct, 2019

鉴别器最优输运

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 双重 GANs

    本文提出了一种名为'双重生成对抗网络'的方法，通过对判别器进行对偶操作，使其与生成器协同工作，来解决生成对抗网络训练中的不稳定性问题。同时，针对线性和非线性鉴别器，提出了相应的解决方案。

    Jun, 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

  • 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

  • 关于生成对抗网络的一些理论性质

    本文通过分析数学和统计学特性，研究生成式对抗网络与Jensen-Shannon散度的深刻联系，并提供鉴别器族群的逼近论证及样本估计分布的大样本性质，特别地证明了中心极限定理。

    Mar, 2018

  • 原始对偶Wasserstein GAN

    我们引入了Primal-Dual Wasserstein GAN作为一种新的学习算法，用于基于最优输运问题的原始和对偶公式建立数据分布的潜在变量模型，同时通过对偶公式训练解码器实现生成模型，通过适当的正则化来保留最优批评者的性质，实现比以前的方法更好的图像生成效果。

    May, 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

  • 小批量最优输运距离；分析与应用

    本文提出了一种基于小批量优化技术的最优传输距离计算方法，探讨了该方法的优点和局限，并提出了一种去偏置的小批量最优传输距离函数，并在机器学习中的各种应用中验证了该方法的实用性。

    Jan, 2021

  • Wasserstein GAN的隐式凸性：具有闭合解的可解释生成模型

    通过凸对偶的方法分析了两层神经网络判别器的Wasserstein GAN的训练，展现了Wasserstein GAN在哪些条件下可以通过凸优化完全解决以及可以被表示为凸凹博弈，证明了这个凸对偶解释的威力，并在CelebA图像生成中用于线性生成器和二次激活判别器的渐进式训练。

    Jul, 2021

  • 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