Jun, 2020

ContraGAN: 基于对比学习的条件图像生成

PDF
TL;DR本文提出了 ContraGAN 的方法，利用条件对比损失函数，考虑同一批次中多个图像嵌入之间的关系 (data-to-data relations) 和数据与类的关系 (data-to-class relations)。实验结果表明，ContraGAN 在 Tiny ImageNet 和 ImageNet 数据集上比现有模型分别提高了 7.3% 和 7.7% 的性能表现，并且对比学习有助于解决判别器过拟合的问题。
conditional image generationconditional generative adversarial networkscontragandata-to-data relationscontrastive learning
发现论文，激发创造
  • 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

  • 通过对比鉴别器强化增强训练 GANs

    本研究提出了 ContraD 方法，将对比性表示学习方案融入生成对抗网络鉴别器中，使得生成器以更强的数据增强方式工作而不会增加训练不稳定性，并且在对比学习中也能受益。实验结果表明，GANs with ContraD 在 FID 和 IS 方面表现更好，还能通过简单的潜在采样诱导许多条件生成模型。

    Mar, 2021

  • 损伤生成对抗网络：一种用于不平衡数据的生成模型

    本研究探讨了生成对抗网络（GANs）在不平衡数据集中的应用，旨在增强 GANs 在此类数据集中的性能和稳定性。通过引入一种称为 Damage GAN 的新型网络架构，该架构建立在 ContraD GAN 框架之上，无缝融合了 GANs 和对比学习，我们利用对比学习训练判别器以发展出能够区分所有提供的样本的无监督表示。通过模仿直观的对比学习视觉表示框架（SimCLR），我们提出了一种独特的损失函数，并探索了自我损伤对比学习（SDCLR）的实现，以进一步增强 ContraD GAN 模型的优化。与基准模型，包括深度卷积 GAN（DCGAN）和 ContraD GAN 进行比较评估，证明了我们提出的模型 Damage GAN 在应用于不平衡数据集时在生成的图像分布、模型稳定性和图像质量方面具有明显优势。

    Dec, 2023

  • 利用对抗生成网络进行语义生成操作

    本文提出了一种对物体进行语义操纵的新的生成对抗网络方法，使用对比对抗目标而不是直接将合成样本接近目标数据，以生成具有高可视度和合理的对象语义的操作结果，并在多个语义操作任务上展示了我们的模型的优越性。

    Aug, 2017

  • DivCo: 基于对比式生成对抗网络的多样化条件图像合成

    本研究提出了 DivCo 框架，使用对比学习（contrastive learning）约束生成图像之间的正 (positive) 和负 (negative) 关系，实现条件生成对抗网络 (cGANs) 的多样性图像合成。实验结果显示，DivCo 在多种无配对和配对图像生成任务中，能够产生比其他最先进的方法更多样化的图像，而且不会牺牲视觉质量。

    Mar, 2021

  • 快速收敛用于图像合成的条件生成对抗网络

    在真 / 假分类器基础上，通过增加高级辅助分类器，引入一个额外的 “假” 类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

    May, 2018

  • ContraGen：用于因果语言模型的有效对比学习

    本文提出了一种名为 ContraGen 的对比学习框架，用于解决语言生成过程中的表示限制问题，该框架可以显著提高表征的均匀性和区分性，改善语言理解和源代码生成的表现。

    Oct, 2022

  • 具有条件卷积层的 cGANs

    本文提出了一种称为条件卷积层的卷积神经网络方法，该方法通过不同的权重生成不同的特征图，并通过简单而有效的方法进行条件调整，从而可以更有效地处理条件特征，金实验结果表明，使用提出的条件卷积层的生成模型可以比使用标准卷积层更好地生成类别相关的图像。

    Jun, 2019

  • 条件生成对抗网络

    本文介绍了一种新颖的生成模型 —— 条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

    Nov, 2014

  • 有条件 GAN 中的选择性聚焦学习

    本文提出使用选择性对焦学习的训练方法来解决条件生成对抗网络（cGANs）的训练问题，针对每个小批量的数据选择性地应用条件匹配和联合匹配，从而在 ImageNet、CIFAR-10 和 CIFAR-100 数据集上提高了 cGAN 的性能（FID 最高可达 35.18%），同时保持了多样性。

    Jul, 2021