Oct, 2020

LT-GAN: 具自我监督的带潜在变换检测的 GAN

PDF
TL;DR本文提出了一种自监督方法（LT-GAN）来提高生成对抗网络的生成质量和图像多样性，通过估计 GAN 引起的变化，即通过扰动生成器的潜空间引起的生成图像的变换，从而促进了关于潜在变换的语义连贯的图像的合成。实验证明 LT-GAN 在各种数据集上的有效性以及在 CelebA-HQ 和 ImageNet 上改善受控图像编辑方面的帮助。
generative adversarial networksself-supervised approachimage generationlatent transformationfid
发现论文，激发创造
  • 自监督生成对抗网络中的辅助旋转损失

    利用对抗性训练和自监督技巧，通过任务的表示学习促进判别器学习有意义的特征表示的全无监督学习方法产生高质量的图像。在相同的条件下，自监督生成对抗网络的表现与有标记数据的生成网络相似。同时，我们还演示了该方法可扩展到一个无条件的图像集中，以实现 FID 为 23.4.

    Nov, 2018

  • LARGE: 基于 GAN 语义的潜变量回归

    本文提出了一种新的利用少样本或弱监督方式解决回归任务的方法，该方法利用生成式对抗网络（GANs）的语义信息表征能力，实现了将预先训练好的 GANs 转化成回归模型的操作，并证明了其在众多数据集和领域上的高效性。

    Jul, 2021

  • 广义对抗学习推断

    通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

    Jun, 2020

  • 用生成式对抗网络实现无监督图像翻译

    介绍了一种基于深度卷积神经网络以及条件生成式对抗网络的通用方法，通过非监督学习来解决图像转换问题，实现了不同域之间的图像转换，并且在多样性方面表现出了很好的通用性。

    Jan, 2017

  • 通过输入变换的自监督标签增强

    通过自监督学习，本文提出的单一统一任务学习方法能够有效地提高模型的准确性，并且在各种全监督学习场景下均具有广泛的适用性。

    Oct, 2019

  • MatchGAN：自监督半监督条件生成对抗网络

    该论文提出了一种基于标签空间的图像增强，新颖的自我监督学习方法，用于半监督条件生成网络，通过将少量有标签的示例中的标签赋给大量无标签的示例，构成训练集并优化辅助匹配损失，实现了对 CelebA 和 RaFD 两项挑战性基准测试的有效性评估，表明其优于竞争基线和现有方法。

    Jun, 2020

  • 生成对抗网络的 Stein 潜变量优化

    本文介绍了一种命名为 SLOGAN 的新方法，通过引入编码网络和无监督条件对比损失来确保单个混合分量生成的数据代表单个属性，成功地学习了平衡或不平衡的属性，并在缺少属性信息（例如不平衡比）的情况下实现最新的无监督条件生成性能。

    Jun, 2021

  • 通过强化学习控制 GAN 的潜在空间：基于任务的图像到图像翻译案例研究

    通过将强化学习（RL）代理与潜在空间生成对抗网络（l-GAN）相结合，我们提出了一种新的方法来解决 GAN 生成过程中控制的挑战。我们开发了一个具备精心设计的奖励策略的 actor-critic RL 代理，使其能够在 l-GAN 的潜在空间中导航并根据指定任务生成输出，通过使用 MNIST 数据集进行了一系列实验证明了我们方法的有效性。我们首次将 RL 代理与 GAN 模型集成，具有极大的潜力来增强生成网络。

    Jul, 2023

  • In2I ：基于生成对抗网络的无监督多图像到图像转换

    本文介绍了一种利用多个输入域来实现图像翻译的方案，使用基于生成对抗网络的多模式生成器结构和一种新的损失项，潜在一致性损失，实现了比现有无监督图像到图像转换方法更好的转换效果。

    Nov, 2017

  • InfoGAN-CR 和 ModelCentrality: 面向 GAN 解耦的自监督模型训练和选择

    通过使用自监督学习的方法一方面设计了一种新的对抗网络（GAN）模型和一个无监督模型筛选方案，另一方面提出了一种对比约束规则来提高模型向目标空间映射时对潜在因素进行解耦的能力。这种方案与对抗网络或自编码器等其他方法相比，具有更高的可解释性和速度。

    Jun, 2019