Nov, 2019

质量感知生成对抗网络

PDF
TL;DR本文介绍了基于 GAN 的问题并提出了相应解决方案，使用了基于图片质量的评价算法 SSIM 和 NIQE 作为 GAN 正则化的指标，并提出了新的模型 WGAN-GP，在 CIFAR-10，STL10 和 CelebA 数据集上取得了最优性能。
generative adversarial networksgansimage quality metricswasserstein gan gradient penaltystate-of-the-art performance
发现论文，激发创造
  • 我的 GAN 有多强？

    本研究提出了两种基于图像分类的测量标准，GAN-train 和 GAN-test，以评估各种 GAN 方法的召回率和准确率。研究结果表明，数据集的难度与 GAN 质量呈负相关，并发现这两种度量标准可以更好地评估 GAN 的性能。

    Jul, 2018

  • 基于 Wasserstein GAN 的人脸超分辨率

    本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

    May, 2017

  • GIQA: 生成图像质量评估

    本研究提出 Generated Image Quality Assessment (GIQA) 算法，从学习和数据两个角度，定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致，可应用于 GAN 模型的真实性和多样性评估，并能在训练中支持在线 hard negative mining。

    Mar, 2020

  • Banach Wasserstein GAN

    本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点，重点关注 Sobolev 范数，并在 CIFAR-10 和 CelebA 中展示了性能提升。

    Jun, 2018

  • 使用切片瓦瑟斯坦距离进行生成建模

    本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

    Mar, 2018

  • 使用训练所提供的分歧量来量化评估 GANs

    本文通过使用通常仅用于培训的散度和距离函数来对各种类型的 GAN 性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。

    Mar, 2018

  • 重新审视使用 GANs 进行图像合成的评估

    本文通过实证研究代表性生成模型 GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于 CNN 和 ViT 的架构都是可靠和稳健的特征提取器，CKA 能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA 显示出令人满意的样本效率并补充了现有指标（例如 FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

    Apr, 2023

  • WGANs 估计 Wasserstein 度量的表现如何？

    本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法，考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量，但在生成模型方面，$c$-transformation 不是表现最好的方法。

    Oct, 2019

  • 使用感知相似度度量学习生成图像

    通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

    Nov, 2015

  • Gang of GANs：带有最大间隔排名的生成对抗网络

    本研究提出了 Gang of GANs (GoGAN) 方法，将 WGAN 的鉴别器损失推广到基于边界的方法，实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题，并采用一种新的 GAN 质量测量方式，并在四个视觉数据集上进行了评估，相较于 WGAN 有了视觉和定量的改进。

    Apr, 2017