自监督 GAN：多类极小极大博弈分析和改进

Nov, 2019

自监督 GAN：多类极小极大博弈分析和改进

Self-supervised GAN: Analysis and Improvement with Multi-class Minimax Game

Ngoc-Trung Tran, Viet-Hung Tran, Ngoc-Bao Nguyen, Linxiao Yang, Ngai-Man Cheung

TL;DR本文针对 GAN 模型中的模式崩溃问题，提出了基于多类极小极大博弈的自监督任务。实验表明，该方法在多个数据集上表现出了优异的性能，创造了良好的状态。

Abstract

Self-supervised (SS) learning is a powerful approach for representation learning using unlabeled data. Recently, it has been applied to Generative Adversarial Networks (GAN) training. Specifically, SS tasks were proposed to address the catastrophic forgetting issue in the GAN discriminator. In this work, we perform an in-depth analysis to understand how SS t

self-supervised learning generative adversarial networks multi-class minimax game diverse sample generation state-of-the-art fid scores

发现论文，激发创造

一种自监督的 StyleGAN 用于极度有限标签的图像标注和分类

提出了一种适用于极小标注数据集的自我监督方法 SS-StyleGAN，通过在 StyleGAN 体系结构中集成一个学习嵌入到 StyleGAN 潜空间的编码器，它利用学习的潜空间智能选择代表性数据进行标注以提高分类性能，并展示了在 50 个甚至 10 个大小的标注数据集上取得强大的分类结果，特别适用于 COVID-19 和肝肿瘤病理鉴定任务。

Dec, 2023

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

多生成器生成对抗网络

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

自监督 GAN 抵御遗忘

本文介绍了如何通过自我监督方法对 GAN 模型中的鉴别器进行改进，以避免其出现遗忘现象，提高模型性能。

Oct, 2018

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

InfoMax-GAN: 基于信息最大化和对比学习的改进对抗图像生成

本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

Jul, 2020

用半监督引导 InfoGAN

本文提出了一种新的半监督 GAN 架构 (ss-InfoGAN)，用于图像合成，可以利用少量标签（最多不超过数据集的 10%）的信息学习语义有意义的和可控制的数据表示，其中潜变量对应标签类别，该架构建立在信息最大化生成对抗网络 (InfoGAN) 的基础上，被证明可以学习连续和分类编码，并实现比完全无监督设置更高质量的合成样本。此外，我们表明，使用少量标记数据可以加快训练收敛速度。最后，本文贡献了关于介绍半监督增加合成数据和真实数据之间的互信息的信息理论推理。

Jul, 2017

自监督生成对抗网络用于无监督少样本物体识别

本研究针对无监督 few-shot 目标识别，使用两种 GAN 损失函数进行自监督学习，实验结果表明该方法在 Mini-Imagenet 和 Tiered-Imagenet 数据集上显著优于现有技术。

Aug, 2020

LT-GAN: 具自我监督的带潜在变换检测的 GAN

本文提出了一种自监督方法（LT-GAN）来提高生成对抗网络的生成质量和图像多样性，通过估计 GAN 引起的变化，即通过扰动生成器的潜空间引起的生成图像的变换，从而促进了关于潜在变换的语义连贯的图像的合成。实验证明 LT-GAN 在各种数据集上的有效性以及在 CelebA-HQ 和 ImageNet 上改善受控图像编辑方面的帮助。

Oct, 2020

通过对抗训练从模拟和无监督图像中学习

研究利用未标记的现实数据学习仿真器输出的模型的真实性以改进合成图像以缩小合成和真实图像之间的差距，提出了一种使用合成图像作为输入的对抗网络方法，通过几个关键修改以保护注释信息、避免伪影、稳定训练的方式来学习 Simulated+Unsupervised（S+U）学习，用于眼睛凝视和手部姿势估计的模型表现得到了大幅提升。

Dec, 2016