生成对抗网络（GAN）的图像难度课程（CuGAN）

Oct, 2019

生成对抗网络（GAN）的图像难度课程（CuGAN）

Image Difficulty Curriculum for Generative Adversarial Networks (CuGAN)

Petru Soviany, Claudiu Ardei, Radu Tudor Ionescu, Marius Leordeanu

TL;DR本文提出了三种新的课程学习策略，通过使用现有技术的图片难度预测器估计难度分数，分别将训练集图片分成逐渐困难的批次、为判别器引入考虑真实图片难度分数的课程损失函数以及从不断进化的分布中采样易于处理的图像，实验证明相较于传统的训练方法，在图像生成和转换任务中，这些策略能更快地收敛且产生更好的结果，例如使用最佳课程学习策略训练的经过谱归一化的 GANs 在 CIFAR 图像生成任务中，能以 25.0% 的比例成功欺骗人类标注者，而使用传统训练方法的 GANs 只有 18.4%，类似地，在图像转换中，使用课程学习训练的 CycleGAN 喜好程度为 40.5%，而基于传统训练的 CycleGAN 只有 19.8%，39.7% 的情况被视为平局。

Abstract

Despite the significant advances in recent years, Generative Adversarial Networks (GANs) are still notoriously hard to train. In this paper, we propose three novel curriculum learning strategies for training GANs. All strategies are first based on ranking the training images by their d

generative adversarial networks curriculum learning image difficulty predictor spectrally normalized gans image translation

发现论文，激发创造

改良版课程生成对抗网络训练

本文介绍了一种名为 Curriculum GANs 的课程学习策略，使用该策略可提高生成对抗网络（GAN）的鉴别器的强度，进而使学习任务对于生成器更具挑战性，我们证明这一策略对于获得图像生成方面的最新成果非常重要。我们还展示证据表明，这一策略可以广泛应用于其他数据模态的 GAN 训练的改进。

Jul, 2018

GAN 的在线自适应课程学习

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

训练 GAN 的改进技术

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

Jun, 2016

基于在线学习的生成对抗网络方法

本研究提出了一种名为 Chekhov GAN 1 的训练方法，将 GAN 的训练问题视为在零和博弈中找到一种混合策略，结合在线学习的思想，理论和实践证明了该方法收敛于半浅 GAN 体系结构，提高了稳定性和性能。

Jun, 2017

生成对抗网络去学习

通过引入替代机制和定义虚假标签，本研究提出了一种级联取消学习方法，以在生成对抗网络中实现项目取消学习和类别取消学习，通过对 MNIST 和 CIFAR-10 数据集的综合评估，实验证明该方法在项目和类别取消学习效率方面显著提高，与从头开始重新训练相比，所需时间分别减少了最多 185 倍和 284 倍，值得注意的是，虽然模型的性能在取消学习后有轻微下降，但在处理少量图像（例如 64 张）时，该下降是可以忽略的，并且对分类等下游任务没有不良影响。

Aug, 2023

CDGAN: 循环判别式生成对抗网络用于图像到图像转换

本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

Jan, 2020

渐进式增长 GAN 以提高质量、稳定性和变化性

通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

Oct, 2017

使用有限数据训练生成对抗网络

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

利用生成对抗网络增强角色设计师的创造力

本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

May, 2023

在人工数据集上训练 GAN 的经验教训

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