CVPRJun, 2020

自我条件 GAN 的多样性图像生成

PDF
TL;DR提出了一种简单而有效的无监督方法，通过使用聚类方法自动地生成类别标签，来训练条件生成对抗网络模型（GAN 模型）生成多样而逼真的图像，这种方法在处理模式崩溃方面表现优异，同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像，比以前的方法提高了标准的质量指标。
unsupervised methodgan modelclusteringmode collapseimage diversity
发现论文，激发创造
  • 用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

    本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

    Aug, 2018

  • 多元敏感的条件生成对抗网络

    这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

    Jan, 2019

  • 使用较少标签进行高保真图像生成

    本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络，实现在仅使用少量标签数据的情况下，超越当前最先进的深度生成模型，并在 ImageNet 的无监督合成和有条件的情况下，匹配 BigGAN 模型的样本质量。

    Mar, 2019

  • 双重循环一致对抗生成网络用于无监督条件生成

    本文提出了一种新的无监督条件生成框架：双循环一致性条件生成对抗网络（DC3-GAN），该框架通过引入编码器 - 生成器对，使我们在避免生成过程低多样性和潜在特征平凡性的同时，也可以间接地估计真实条件分布，从而 提高聚类性能和分离性能。

    Nov, 2019

  • 实例条件生成对抗网络

    该论文介绍了一种基于非参数方法和核密度估计技术的生成式对抗网络（GANs）模型 IC-GAN 来模拟复杂数据集的分布，提高了图像生成的真实性和数量结果，同时也具备对未见过数据集的泛化能力。

    Sep, 2021

  • 自我提炼 StyleGAN: 以网络照片为基础的生成

    本文提出了一种基于 StyleGAN 的自我蒸馏方法，通过生成图像的自我筛选和感知聚类来解决从互联网采集的未加工图像数据集中存在的离群值和多模态分布等挑战，实现高质量图像的生成。

    Feb, 2022

  • 通过条件 GAN 实现多样化和自然化的图像描述

    该研究旨在通过使用基于条件生成对抗网络（CGAN）的新框架来提高图像字幕生成的自然性和多样性，其中一个生成器可以根据图像生成描述，并使用一个评估器来评估描述与视觉内容的匹配程度。

    Mar, 2017

  • 多模态条件下的三维感知图像生成和编辑

    本文提出了一种新颖的端到端 3D 感知图像生成和编辑模型，通过纯噪声、文本和参考图像等多种条件输入，在 3D 生成对抗网络（GANs）的潜在空间中深入研究并提出解缠特性较好的生成策略，同时采用统一框架进行灵活的图像生成和编辑任务，实现多模态条件下的多样图像生成、属性编辑和风格迁移。广泛实验证明，该方法在图像生成和编辑方面在质量和数量上均优于替代方法。

    Mar, 2024

  • 基于模式寻找的生成对抗网络用于多样化图像合成

    本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题，提出了一种简单而有效的正则化项，最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力，此正则化方法可广泛应用于各种不同的条件生成任务中，不会增加训练负担或修改现有的网络结构，实验证明该方法在提高多样性方面效果显著。

    Mar, 2019

  • OneGAN：条件图像生成、前景分割和细粒度聚类的同时无监督学习

    本研究提出了一种无需标注的无监督学习方法，结合了生成对抗网络和变分自编码器，实现了条件图像生成、前景分割、分级聚类、物体去除和背景补全等多项功能，并在相关任务上取得了最新的最优结果。

    Dec, 2019