生成分层特征用于合成图像

CVPRJul, 2020

Generative Hierarchical Features from Synthesizing Images

Yinghao Xu, Yujun Shen, Jiapeng Zhu, Ceyuan Yang, Bolei Zhou

TL;DR通过学习样本数据的潜在分布，生成对抗网络（GAN）最近推动了图像合成的进展。本文通过使用预训练的 StyleGAN 生成器作为已学习的损失函数，并利用其分层表示来训练新的层次编码器，展示了学习图像合成如何产生通用于广泛应用的出色分层视觉特征。通过广泛的定性和定量实验结果表明，GH-Feat 具有很强的可转移性，可以应用于图像编辑、图像谐调、图像分类、脸部验证、地标检测和布局预测等生成和判别任务。

Abstract

generative adversarial networks (GANs) have recently advanced image synthesis by learning the underlying distribution of the observed data. However, how the features learned from solving the task of image generat

generative adversarial networks image synthesis hierarchical visual features stylegan generator generative hierarchical feature

发现论文，激发创造

对抗特征学习

通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

May, 2016

从生成模型学习分层特征

本文证明已有的变分方法无法很好地训练分层潜变量模型，并且提出了一种不依赖先前知识、能够在多个自然图像数据集上学习高度可解释和分解分层特征的替代架构。

Feb, 2017

深度生成表示中出现了场景生成的语义层次结构

本研究说明了 State-of-the-art GAN 模型中，高度结构化的语义层次结构从生成性表示中出现作为变化因素，并证明了 GANs 学习到的生成性表示是专门用于合成不同的层次语义。

Nov, 2019

用于零样本学习的特征生成网络

该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

Dec, 2017

利用分层生成对抗网络进行视频识别中的图像利用

本论文提出了一种名为 HiGAN 的新方法，使用层次生成对抗网络将从图像等源域传递的知识用于视频识别目标域，以提高分类器的性能，实验证明其相比当前最先进的领域自适应方法更有效。

May, 2018

使用代表性特征改进生成式对抗网络的训练

本论文使用预训练自编码器的代表特征隐式规范鉴别器，通过影响反向和正向 KL 距离使得 GAN 的训练更稳定，在图像质量和多样性上都有提高。

Jan, 2018

图像生成的语义金字塔

本文提出了一种新的基于 GAN 的模型，该模型利用先前训练分类模型学习的深层特征空间。该模型构建了一个语义生成金字塔层次框架，从中获取低级到高级语义信息的连续数据，生成各种匹配的特征深度的图像样本。实验证明该模型能在各种图像生成和操纵任务中达到灵活和多用途的效果。

Mar, 2020

生成对抗文本到图像的合成

利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式，将字符转换为像素，有效地将文本和图像建模相结合，从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。

May, 2016

针对生成式零样本学习的特征混淆缓解

本文提出了一种新的特征生成网络 AFC-GAN，用于解决基于 GAN 的零样本学习中存在的特征混淆问题，通过提出边界损失和特征混淆得分指标 FCS 等方法可以显著提高模型的性能。

Sep, 2019

训练 GAN 的改进技术

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

Jun, 2016