Jun, 2020

MatchGAN：自监督半监督条件生成对抗网络

PDF
TL;DR该论文提出了一种基于标签空间的图像增强，新颖的自我监督学习方法，用于半监督条件生成网络，通过将少量有标签的示例中的标签赋给大量无标签的示例，构成训练集并优化辅助匹配损失，实现了对 CelebA 和 RaFD 两项挑战性基准测试的有效性评估，表明其优于竞争基线和现有方法。
self-supervised learningconditional generative adversarial networkssemi-supervised learninglabel spaceimage augmentation
发现论文，激发创造
  • MatchingGAN：基于匹配的少样本图像生成

    我们提出了一种基于匹配的生成对抗网络，包括匹配生成器和匹配鉴别器，可以在仅有少量图像的情况下生成新图像，并加以验证。

    Mar, 2020

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021

  • 文本到图像合成中的语义关联对抗学习

    本研究提出了一种新的方法，改进了生成对抗网络（GANs）训练的能力，可以根据文本输入合成多样的图像，这种方法基于条件版本的 GANs，扩展了前人利用判别器中的辅助任务，通过负样本采样来构造积极和消极的训练样例，通过牛津 102 花卉数据集的实验结果表明，生成的图像更具多样性，特别是当负样本逐渐靠近语义空间中的积极样本时。

    Dec, 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

  • 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

  • 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

  • SeCGAN：基于语义一致性的平行条件生成式对抗网络用于人脸编辑

    通过提出一种语义信息导向的生成对抗网络 SeCGAN，可无需指定目标语义掩码的情况下，利用语义信息进行人脸图像编辑，从而在保持质量指标的前提下，在 CelebA 和 CelebA-HQ 上生成具有更准确属性的面部图像，优于竞争基线项。

    Nov, 2021

  • 基于生成模型的语义分割：半监督学习与强领域通用化

    本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

    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