Jul, 2020

GAN 的实例选择

PDF
TL;DR本文提出了一种改进样本质量的新方法：在模型训练之前通过实例选择来改善经验数据分布，将模型容量重定向到高密度区域，从而提高样本保真度，降低模型容量要求和显著减少训练时间。
generative adversarial networkssynthetic imageryspurious samplesinstance selectionsample fidelity
发现论文，激发创造
  • 从实例区分中高效生成实例

    本文提出了一种基于实例鉴别方法的数据高效生成对抗网络（GAN）训练方法，从而解决 GAN 训练中数据匮乏问题导致的过拟合问题，实验结果表明，在 FFHQ 数据集 2K 训练图像的情况下，比最先进的方法 FID 提高了 23.5％。

    Jun, 2021

  • 在人工数据集上训练 GAN 的经验教训

    通过训练 GAN 在人工数据集上，我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上，我们的方法在流行的指标（IS 和 FID）上明显优于现有技术的表现。

    Jul, 2020

  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • 使用 GAN 合成信息丰富的训练样本

    该研究提出了一种利用生成对抗网络（GANs）合成具有信息性的训练样本的新方法（IT-GAN），训练深度神经网络时，使用我们的 IT-GAN 生成的图像可以使其更快地学习和实现更好的性能，并且能够提高数据集压缩问题的可行性。

    Apr, 2022

  • 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

  • 训练单张图像 GAN 的改进技术

    本文重点研究了如何从单张图像中学习生成模型，并提出了一些最佳实践，包括同时训练多个阶段以实现更好的结果，并与最先进的基线模型进行了比较。

    Mar, 2020

  • 生成对抗网络集成用于合成训练数据生成

    本文研究了在医学影像方面采用生成对抗网络（GANs）合成图像作为深度学习的训练数据来替代难以获取的真实数据集的可行性，同时探讨使用多个 GANs 以提高生成数据的差异性在数码病理学方面的应用。

    Apr, 2021

  • 利用预训练的 GAN 生成有限数据

    本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成，提出了自适应滤波器调制（AdaFM）的方法，证明了此技术在限制数据生成方面的有效性。

    Feb, 2020

  • 生成对抗网络的 “可操控性

    该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

    Jul, 2019

  • 低样本图像生成的自适应特征插值

    本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

    Dec, 2021