Mar, 2020

OpenGAN: 开放集合生成对抗网络

PDF
TL;DR本研究提出一种基于度量空间和开放集 GAN 结构的生成模型，利用度量学习模型提取语义信息来生成类别和细粒度相似的图像，支持生成超越 GAN 训练样本集的图像，数据增强实验表明该方法显著提高了分类器的性能。
generative adversarial networksmetric learningdata augmentationimage generationnovel classes
发现论文，激发创造
  • 多类开放集分类的生成式 OpenMax

    介绍了一种对多类开放集分类问题的新方法 —— 生成式 OpenMax（G-OpenMax），使用生成对抗网络（GAN）进行新颖类别图像的合成，扩展了 OpenMax。在实验中验证了该方法的优越性，同时还提供了一种从开放空间中呈现未知类别的样本的方法。

    Jul, 2017

  • OSSGAN: 开放集半监督图像生成

    介绍了一种具有挑战性的条件 GAN 训练方案，称为开放集半监督图像生成，该方案的训练数据集由带有标签的数据和属于带有标签的数据类别之一的样本的未标记数据两部分组成，通过熵正则化，使用有标记数据训练的分类器能够将样本的重要性量化为置信度，从而允许我们使用所有未标记数据样本进行训练。本文设计的 OSSGAN 提供了决策指针，用于判断未标记图像是否属于感兴趣的类别之一，相较于 BigGAN 和半监督方法，实验结果表明，在 Tiny ImageNet 和 ImageNet 数据集上取得了显著提升。

    Apr, 2022

  • OpenGAN: 通过开放数据生成实现开放集合识别

    本篇论文提出了 OpenGAN 方法，结合了两种区分开放和封闭集的概念性方法，并通过一些技术手段解决这些方法的局限性，实现了机器学习中开放集识别领域的性能显著提升。

    Apr, 2021

  • 生成对抗网络中的线性语义

    本文主要探讨如何通过线性转换生成图像的特征向量来实现对生成对图像内容的语义控制，并提出了两种基于语义的图像编辑方法：语义条件采样和语义图像编辑。

    Apr, 2021

  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • Omni-GAN：关于 cGANs 的秘密和更多

    本文介绍了一种基于条件生成对抗网络的改进方法 Omni-GAN，并解决了训练模型时适当设计鉴别器的问题，实验结果表明，Omni-GAN 和 Omni-INR-GAN 在广泛的图像生成和恢复任务中表现优异，并且 Omni-INR-GAN 在 ImageNet 数据集上设置了新记录。

    Nov, 2020

  • 基于有条件的 GAN 的高分辨率图像合成和语义操作

    使用条件生成对抗网络（conditional GANs）从语义标签图中合成高分辨率照片般真实的图像，并通过使用新的对抗性损失、多尺度生成器和鉴别器体系结构，生成 2048x1024 的视觉吸引力结果。此外，我们将我们的框架扩展到与两个额外功能的交互式视觉操作，它们是：将对象实例分割信息整合进去以进行对象操作（如删除 / 添加对象和更改对象类别），以及提出一种方法，可以在给定相同输入的情况下，生成不同的结果，允许用户交互式地编辑对象外观。人的意见研究表明，我们的方法在深层图像合成和编辑方面的质量和分辨率方面都显着优于现有方法。

    Nov, 2017

  • 用于零样本学习的特征生成网络

    该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

    Dec, 2017

  • 反演生成对抗网络的生成器

    通过先前训练好的 GAN 模型，将图像投影到潜在空间中以获取表示，我们可以在 MNIST 任务和 Omniglot 任务中成功地保留数字和字符的信息，这种方法可以应用于一次性学习。

    Nov, 2016

  • 条件图像合成与辅助分类器 GANs

    本文介绍了改进 GAN 训练的新方法，构建了一种包含标签条件的 GAN 变体来生成 128x128 分辨率的、具有全局一致性的照片级别合成图像，并展示了这些高分辨率样本比低分辨率样本具有更高的可区分性和多样性。

    Oct, 2016