CVPRJun, 2020

使用 MINE 的无偏辅助分类器 GANs

PDF
TL;DR本研究提出了一种无偏的辅助生成对抗网络 (UAC-GAN)，采用 Mutual Information Neural Estimator (MINE) 评估生成数据分布与标签之间的互信息，并基于投影的统计网络结构进一步提高了性能，在三个数据集上展示出比 AC-GAN 和 TAC-GAN 更好的表现。
auxiliary classifier gansunbiased auxiliary gansmutual information neural estimatorprojection-based statistics network architectureconditional generative models
发现论文，激发创造
  • 双辅助分类器 GAN

    本文介绍了一种新的条件生成模型 ——TAC-GAN，该模型用新的辅助分类器可以有效地增加生成数据的多样性，实验证明该模型在真实数据集上可以显著提高类别条件的图像生成的多样性。

    Jul, 2019

  • 带有辅助判别器的条件 GANs

    该论文提出了一种使用辅助判别器的条件 GAN（ADC-GAN），具有较高的类内多样性，可以更准确地生成有条件的数据，并在合成及真实数据集上进行实验取得了优越结果。

    Jul, 2021

  • 重启 ACGAN：使用稳定训练的辅助分类器 GAN

    本研究提出了两种方法来改进使用 ACGAN 的 cGAN 生成的问题，一是将输入向量投影到单位超球体上以避免分类器中的梯度爆炸，二是提出了数据 - 数据交叉熵损失以利用分类标签数据中的关系信息，基于这个改进后的模型 ReACGAN 在 CIFAR10，Tiny-ImageNet，CUB200 和 ImageNet 数据集上取得了最先进的生成结果。

    Nov, 2021

  • 使用 GAN 生成类别独特和类别共有的图像

    提出了分类器后验 GAN（CP-GAN），它通过将分类器的后验融入生成器输入并优化生成器来实现，以实现捕捉类别之间的关系并有选择地生成图像。

    Nov, 2018

  • TAC-GAN - 文本条件辅助分类器生成对抗网络

    本研究提出了 “TAC-GAN” 模型，一种文本到图像的生成对抗网络；相较于以前的方法，该模型使用类信息，能够提高生成样本的多样性并改善其结构一致性，对 Oxford-102 的花卉数据进行训练并通过 Inception-Score 和 MS-SSIM 测评其性能，结果表明其性能超越现有的同类模型，其平均 MS-SSIM 值达到 0.14。

    Mar, 2017

  • 具备生成对抗网络的多功能辅助分类器（VAC+GAN）

    提出了一种新的深度条件生成器的训练框架，该框架通过将分类器与辨别器并联并通过生成器网络反向传播分类误差来训练一个深度条件生成器，用于从特定分布中提供标记的对抗样本，适用于任何生成对抗网络实现的变体，并且相比于类似的方法，产生了更好的结果。

    May, 2018

  • 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

  • 激活极大化生成对抗网络

    本文系统研究了当前使用类别标签的生成对抗网络 GANs 以及相关的分类信息对 GAN 网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的 AM-GAN 生成对抗网络方案，在 CIFAR-10 数据集上实现了 8.91 的 state-of-the-art Inception 得分，并提出 AM 得分评价指标以更准确地评估生成样本质量。

    Mar, 2017

  • 多生成器生成对抗网络

    本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

    Aug, 2017

  • BAGAN: 平衡 GAN 的数据增强

    本文提出了一种利用平衡生成对抗网络（BAGAN）进行数据增强的方法，通过包含绝大部分类别的图片，生成模型学习到大多数类别的有用特征，并利用类别条件来驱动生成过程。在不平衡的数据集中，本方法生成的图像质量更优。

    Mar, 2018