使用生成的图像训练模型的数据集不存在

Nov, 2019

使用生成的图像训练模型的数据集不存在

This dataset does not exist: training models from generated images

Victor Besnier, Himalaya Jain, Andrei Bursuc, Matthieu Cord, Patrick Pérez

TL;DR利用生成网络产生的图像数据进行机器学习分类器的训练，本文提出了三种不同阶段的技术减少随机产生图像训练的不足，将其在 ImageNet 数据集上进行了检测，并相对于在实际数据上训练得到的分类器提供鼓舞人心的结果。

Abstract

Current generative networks are increasingly proficient in generating high-resolution realistic images. These generative networks, especially the conditional ones, can potentially become a great tool for providin

generative networks image datasets machine learning training data classifier

发现论文，激发创造

通过生成数据集实现强健分类：让现实留给想象

本文研究了生成数据集对图像分类器自然鲁棒性的影响，发现与标准训练和流行的数据增强策略相比，使用真实数据和生成数据相结合进行训练可以提高 Imagenet 分类器的准确性和鲁棒性，同时分析了不同因素对结果的影响，并介绍了 ImageNet-G-v1 数据集。

Feb, 2023

无需训练数据集的条件生成对抗网络

给定一个无限制的预训练生成网络和一个预训练分类器，通过不依赖于任何训练数据集，开发一个条件生成器是否可行？

May, 2024

训练单张图像 GAN 的改进技术

本文重点研究了如何从单张图像中学习生成模型，并提出了一些最佳实践，包括同时训练多个阶段以实现更好的结果，并与最先进的基线模型进行了比较。

Mar, 2020

GenImage：用于检测人工智能生成图像的百万级基准测试

该论文介绍了 GenImage 数据集，该数据集拥有超过 100 万对人工智能生成的假图像和真实图像，且具有丰富的图像内容和最先进的生成器，通过该数据集，研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。

Jun, 2023

仅通过真实图像检测生成图像

基于真实图像的生成图像检测方法，在特征空间中找到真实图像的共性，并将其映射到稠密子空间，从而使得无论生成模型如何，生成图像都能够被投影到子空间之外，实验证明所提方法能够在高推理效率的同时，通过使用较少的训练数据与最新生成模型竞争，并具有抗各种后处理的鲁棒性。

Nov, 2023

CNN 生成的图像现在还很容易被辨认出来

本研究旨在验证通过预处理和数据增强，一个经典 CNN 生成器（ProGAN）训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构，数据集和训练方法，并发现了 CNN-generated images 的一些共同系统缺陷。

Dec, 2019

使用较少标签进行高保真图像生成

本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络，实现在仅使用少量标签数据的情况下，超越当前最先进的深度生成模型，并在 ImageNet 的无监督合成和有条件的情况下，匹配 BigGAN 模型的样本质量。

Mar, 2019

分析虚假训练数据对深度学习系统性能的影响

本文深入分析了使用不同比例的真实数据和合成数据来训练计算机视觉模型对模型鲁棒性和预测质量的影响，证明使用生成对抗网络生成高质量合成数据可以减轻深度学习模型面临的挑战。

Mar, 2023

有限数据集上利用生成模型进行目标检测的迁移学习

我们提出了一种转移学习框架，通过基于扩散的生成模型在少量真实数据情景下改善目标检测器的性能，从而解决了数据有限性的挑战。该方法在海洋生物学和城市环境中的鱼类和汽车目标检测任务中取得了与数千张图像训练模型相媲美的检测性能，为各个领域的基于生成 AI 的机器学习应用开辟了新的途径。

Feb, 2024

在线检测 AI 生成图像

通过研究 AI 生成图像的检测方法以及泛化性能，本研究扩展了像素预测的应用并评估了使用合成图像训练像素检测器的可行性。

Oct, 2023