噪声抗干扰生成对抗网络
该论文提出了一种名为 rGAN 的新型 GAN 模型,通过加入噪声转移模型,在训练标签出现噪声的情况下,可以学习到一个干净的带条件的生成分布。该模型在不同的噪声设置和多种评估指标下得到了有效的表现。
Nov, 2018
提出了 Blur, Noise, and Compression Robust GAN (BNCR-GAN),它可以在不知道降解参数的情况下直接从退化图像中学习干净图像,同时适用于不可逆降解,例如模糊、压缩和混合。该算法通过掩码架构调整数据驱动的降解强度值,并引入自适应一致性损失来抑制模糊、噪声和压缩组合的不确定性。经过大规模比较研究和广泛分析,我们证明了 BNCR-GAN 的有效性,并证明了其在图像恢复中的适用性。
Mar, 2020
该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型,该模型在图像生成的任务中表现优异,并在面临严重噪声的情况下使生成器输出的图像更接近目标空间,实验结果表明,RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。
May, 2018
本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法,并在 CIFAR-10 数据集上的实验表明,该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。
Apr, 2020
研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络(GAN),这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架,旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。
Jul, 2018
提出一个基于对抗生成网络的新模型 RegGAN,该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器,以便从与训练集概率分布不同的概率分布中生成样本,并可用于学习拓扑学中的某些先验概念。
Feb, 2021
全球学术知名期刊报道了一项关于生成对抗网络(GAN)的研究,该研究提出了将 GAN 视为离散采样器的新观点,并建立了噪声维度与无损压缩图像所需比特数之间的关系。此外,还提出了一种新的分歧 - 熵权衡方法,用于揭示在噪声受限的情况下 GAN 的行为特征,并通过图像生成实验证实了理论推断。
Mar, 2024
本文研究生成对抗网络(Generative Adversarial Networks, GANs)在语音增强领域中的有效性,通过操作 GANs 在 log-Mel 滤波器组上而非波形上以增强受到加性和混响噪声污染的语音信号,并通过将 GAN 增强特征附加至含噪输入并再次训练而获得了相对于传统多风格训练(Multi-style Training, MTR)系统的 7%错误率改进。
Nov, 2017
本文提出了 Robust Conditional GAN (RCGAN) 和 RCGAN-U 模型,前者利用引入噪声的方法,生成具有干净标签的样本来训练有强鲁棒性的条件生成器,后者则同时学习噪声模型和生成器以达到更好的效果。实验结果表明,两种方法都显著优于基线方法,并且 RCGAN-U 的性能接近于 RCGAN 的性能表现。
Nov, 2018