Jul, 2020

InfoMax-GAN: 基于信息最大化和对比学习的改进对抗图像生成

PDF
TL;DR本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。
generative adversarial networkscontrastive learningmutual information maximizationimage synthesisgan performance
发现论文，激发创造
  • 信息增益生成对抗网络可解释的表示学习

    InfoGAN 是一种信息论扩展的生成对抗网络，能够以完全无监督的方式学习分离表示，其中以小部分潜在变量和观察之间的相互信息为最大化目标，通过优化互信息下限来训练，并成功地在 MNIST、SVHN 和 CelebA 数据集上取得了竞争性的结果。

    Jun, 2016

  • 文本到图像生成的跨模态对比学习

    使用交叉模态对比生成对抗网络（XMC-GAN）进行文本到图像的综合，通过使用多个对比损失，注意力自我调节生成器和对比鉴别器，以最大化图像和文本之间的相互信息，改善了图像合成的质量，并在 MS-COCO、Localized Narratives 和 Open Images 上实现了最先进的 FID 评分．

    Jan, 2021

  • 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

  • GANs 的双对比损失和注意力

    本文提出了多项改进，包括新型的双重对比损失和重塑注意力机制，来加强生成对抗网络的无条件图像生成能力，在多个基准数据集上将最先进的状态压制得更为出色。

    Mar, 2021

  • 防范 GANs 中的成员推断攻击以保护隐私

    生成对抗网络和会员推断攻击的防御策略，其中包括最大熵 GAN 和互信息最小化 GAN，提供了在保护隐私的同时保持合成数据质量的方法。

    Nov, 2023

  • Gang of GANs：带有最大间隔排名的生成对抗网络

    本研究提出了 Gang of GANs (GoGAN) 方法，将 WGAN 的鉴别器损失推广到基于边界的方法，实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题，并采用一种新的 GAN 质量测量方式，并在四个视觉数据集上进行了评估，相较于 WGAN 有了视觉和定量的改进。

    Apr, 2017

  • 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

  • 对 Few-shot 图像生成技术的深入研究

    在小目标数据上进行预训练的 GANs 会在生成图像时出现重复样本的问题，研究者提出了几种方法来解决这个问题，但当前缺乏一个统一的分析框架。该论文提出了一个框架来分析现有方法，并发现某些方法过于注重多样性维护，反而抑制了图像质量的提高。在此基础上，研究者提出了一种双重对比学习的方法来缓解多样性退化问题，实验结果表明该方法取得了较好的性能。

    May, 2022

  • 基于条件隐式极大似然估计的多模态图像合成

    本文提出了基于 IMLE 的新型多模式条件图像合成方法，并在两个任务中演示了更好的多模式图像合成性能，即单幅图像超分辨率和从场景布局中的图像合成。

    Apr, 2020

  • GAN 的在线自适应课程学习

    提出了一种基于多个鉴别器网络来训练生成器的创新框架，通过更新分配给每个判别器的混合权重来反映生成器的进展情况，实验结果表明能够通过学习曲线来提高样本的质量和多样性。

    Jul, 2018