Mar, 2020

评估生成对抗网络的神经-AI接口

HTML
PDF
TL;DR本研究提出了一种Neuroscore测评策略，该策略通过利用脑信号更直接地反映心理感知图像质量，优于现有算法并能够基于单个GAN排名图像质量，同时，本研究还介绍了基于卷积神经网络的神经-人工智能接口，可以直接从GAN生成的图像中预测Neuroscore。
发现论文，激发创造
  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了GANs的训练方法和构建策略以及它们在deep representations学习中的表现和存在的挑战。

    Oct, 2017

  • GAN是否平等？ 大规模研究

    这篇论文通过对多个GAN算法的大规模实验研究得出，大多数模型在经过足够的超参数优化和随机重启后可以达到类似的分数，建议未来的GAN研究应该基于更系统和客观的评估程序，同时提出了一些可用于计算精度和召回率的数据集。

    Nov, 2017

  • RAN4IQA: 无参考图像质量评估的恢复性对抗网络

    通过模拟人类视觉系统的过程，我们提出了一种无参考图像质量评估系统——Restorative Adversarial Net，该系统包括复原器、鉴别器和评估器三个部分，通过提取特征来计算Gain of Restoration并将其结合用于评估输入图片的质量，实验证明该系统相比其他先进的NR-IQA模型具有更高的效率和泛化能力。

    Dec, 2017

  • 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

  • 生成对抗网络评估指标的实证研究

    本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

    Jun, 2018

  • 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

  • 评估生成模型的精准度和召回率指标的改进

    本研究提出了一种评估度量标准，以明确，非参数化表示真实和生成数据流形， 可以分别和可靠地测量图像生成任务中样本的质量和覆盖范围， 并且展示了该度量标准在StyleGAN和BigGAN方面的有效性。同时，我们分析了StyleGAN的多个设计变体以更好地了解模型架构，训练方法与样本分布属性之间的关系，并识别出新的改进方法。最后，我们将度量标准扩展到个体样本的感知质量估计，并使用它来研究潜空间插值。

    Apr, 2019

  • 旨在要求泛化的GAN基准测试

    通过转向神经网络分歧（NND），本文实现了一个基于样本的黑盒测量度量图像生成的多样性、采样质量和泛化。

    Jan, 2020

  • 生成对抗网络 (GANs) 的十年：最新技术综述

    生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

    Aug, 2023

  • 计算机视觉中生成对抗网络的理论进展年表

    生成对抗网络（GANs）已经成为计算机视觉领域的工作马，近年来在生成模型的研究中发挥了重要作用。这篇综述论文以时间顺序呈现了关于GAN的理论和应用的多个重要的里程碑研究工作，填补了现有综述中缺失的从时间角度出发解决多个GAN模型的挑战的方面。

    Nov, 2023