双重循环一致对抗生成网络用于无监督条件生成

Nov, 2019

双重循环一致对抗生成网络用于无监督条件生成

Double cycle-consistent generative adversarial network for unsupervised conditional generation

Fei Ding, Feng Luo, Yin Yang

TL;DR本文提出了一种新的无监督条件生成框架：双循环一致性条件生成对抗网络（DC3-GAN），该框架通过引入编码器 - 生成器对，使我们在避免生成过程低多样性和潜在特征平凡性的同时，也可以间接地估计真实条件分布，从而提高聚类性能和分离性能。

Abstract

conditional generative models have achieved considerable success in the past few years, but usually require a lot of labeled data. Recently, ClusterGAN combines GAN with an encoder to achieve remarkable clustering perfo

conditional generative models unsupervised conditional generation encoder-generator pair double cycle-consistent conditional gan clustering performance

发现论文，激发创造

自我条件 GAN 的多样性图像生成

提出了一种简单而有效的无监督方法，通过使用聚类方法自动地生成类别标签，来训练条件生成对抗网络模型（GAN 模型）生成多样而逼真的图像，这种方法在处理模式崩溃方面表现优异，同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像，比以前的方法提高了标准的质量指标。

Jun, 2020

用双投影生成对抗网络进行条件图像生成

本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

Aug, 2021

OneGAN：条件图像生成、前景分割和细粒度聚类的同时无监督学习

本研究提出了一种无需标注的无监督学习方法，结合了生成对抗网络和变分自编码器，实现了条件图像生成、前景分割、分级聚类、物体去除和背景补全等多项功能，并在相关任务上取得了最新的最优结果。

Dec, 2019

带条件生成对抗网络的成对三维模型生成

本文研究了在生成条件之下如何进行三维模型的生成，并提出了一种新的方法来使得在不同旋转角度下生成的同一模型相同。实验结果表明该方法可以成功地生成不同条件下的模型对。

Aug, 2018

实例条件生成对抗网络

该论文介绍了一种基于非参数方法和核密度估计技术的生成式对抗网络（GANs）模型 IC-GAN 来模拟复杂数据集的分布，提高了图像生成的真实性和数量结果，同时也具备对未见过数据集的泛化能力。

Sep, 2021

带有辅助判别器的条件 GANs

该论文提出了一种使用辅助判别器的条件 GAN（ADC-GAN），具有较高的类内多样性，可以更准确地生成有条件的数据，并在合成及真实数据集上进行实验取得了优越结果。

Jul, 2021

半监督条件生成对抗网络

提出了一种新的半监督生成对抗网络模型 (SS-GAN)，通过适应 GAN 框架，使用一对堆叠的鉴别器来学习数据的边际分布和数据属性的条件分布，特别针对半监督学习，通过有标记和无标记数据学习数据的边际分布并通过有标记数据纯粹地学习属性的条件分布，实验证明该模型相较于已有的半监督条件 GAN 模型具有更好的性能。

Aug, 2017

双向条件生成对抗网络

本文提出了一种基于双向 cGAN 的生成模型，采用编码器从数据样本中学习潜在变量和已知辅助信息反向映射，通过关键技术的应用，该模型能够更准确地编码和利用潜在变量和辅助信息，并在生成样本方面具有更好的表现。

Nov, 2017

自监督生成对抗网络中的辅助旋转损失

利用对抗性训练和自监督技巧，通过任务的表示学习促进判别器学习有意义的特征表示的全无监督学习方法产生高质量的图像。在相同的条件下，自监督生成对抗网络的表现与有标记数据的生成网络相似。同时，我们还演示了该方法可扩展到一个无条件的图像集中，以实现 FID 为 23.4.

Nov, 2018

快速收敛用于图像合成的条件生成对抗网络

在真 / 假分类器基础上，通过增加高级辅助分类器，引入一个额外的 “假” 类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

May, 2018