COEGAN: 评估生成对抗网络中的共进化效应
我们调查了黑盒共同演化(一种无梯度的协同优化技术和进化计算中的有力工具)作为梯度为基础的 GAN 训练技术的补充,结果表明,共同演化对于逃避退化的 GAN 训练行为是一个有前途的框架。
Jul, 2018
本文提出了一种新的 GAN 框架,名为进化生成对抗网络 (E-GAN),该框架使用不同的对抗训练目标作为突变操作,通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力,并利用评估机制来衡量生成样本的质量和多样性,从而始终保留最佳基因用于进一步的训练,从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018
提出了一种基于生成对抗网络驱动的多目标进化算法,通过对父代和子代解进行分类和采样,充分利用生成对抗网络进行有限训练数据的高维优化,取得了理想的效果
Oct, 2019
我们提出了一种称为 EGANS 的进化生成对抗网络搜索方法,通过自动设计具有良好适应性和稳定性的生成网络,实现可靠的视觉特征样本合成,以推进零样本学习。
Aug, 2023
本文探讨了对生成对抗网络中出现的不稳定性和模态崩溃问题进行改进的方法,通过引入进化计算的原理,将两种促进训练多样性的方法(E-GAN 和 Lipizzaner)进行混合,提出了一种名为 Mustangs 的进化 GAN 训练方法,该方法通过结合了多样性提升的变异和种群方法,实现了更准确更快速地训练 GAN 模型。
May, 2019
生成对抗网络(GANs)在生成高质量的图像方面取得了巨大成功,并因此成为生成艺术图像的主要方法之一。本研究首先使用 Creative Adversarial Networks(CANs)架构的 GAN 进行训练,然后采用演化方法在模型的潜在空间中导航以发现图像。通过使用自动美学和交互式人类评估指标对生成的图像进行评估,并提出一种基于多个参与者的合作评估的人类交互式评估案例。此外,我们还尝试了一种智能变异算子,通过基于美学度量的局部搜索来提高图像的质量。通过比较自动和协作交互进化产生的结果来评估该方法的有效性。结果表明,当演化过程由协同人类反馈引导时,所提出的方法能够生成高度吸引人的艺术图像。
Mar, 2024
本文提出了第一个专为 GAN 训练而设计的神经架构搜索算法 AGAN。通过 AGAN 在 CIFAR-10 数据集上的实验证明,该算法可以自动搜索到优于同一正则化技术下现有最先进模型的神经网络结构。在 $32 imes32$ 的分辨率下,该算法自动搜索的网络结构的表现也能够胜任监督学习任务,并且在其它图像生成任务中可进行迁移学习。
Jun, 2019
本文针对图像翻译中具有复杂架构、参数数量众多、计算复杂度较高的生成器,提出了一种全新的协同进化方法,以减少其内存使用量及乘法操作次数,从而在图像翻译中实现紧凑高效的生成器设计。Experiments 表明,该方法的有效性得到了充分的验证。
Jul, 2019
本文使用生成对抗网络的生成结果作为认知组件,以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时,本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构(包括转移学习和数据增强技术),并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明,本方法对该上下文的实施非常有效,将作为一个由人与机器共同设计的工作流程进一步评估。
May, 2023