正则化生成对抗网络
研究反对派深度学习中的两个重要概念 - 对抗性训练和生成对抗性网络(GAN),这些概念可以相互增强并开发出一种名为 Rob-GAN 的框架,旨在同时提高 GAN 训练的收敛速度、合成图像的质量和鉴别器在强对抗性攻击下的强度。
Jul, 2018
我们提出了一种新的技术,使用生成对抗网络使神经网络对抗性示例具有鲁棒性,通过交替训练分类器和生成器网络,我们成功地应用于 CIFAR 数据集的监督学习,实验结果表明我们的方法显著降低了网络的泛化误差。这是我们所知道的第一个使用 GAN 改进监督学习的方法。
May, 2017
通过引入一种简单的方法,使真实数据分布经过一个‘透镜’传达给辨别器,让生成器逐步揭示出更多细节特征,改善了 GAN 训练的质量、稳定性和收敛速度,对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。
Feb, 2018
本文提出了一种新型的 GAN 结构 ControlGAN,通过将特征分类器与鉴别器分离,设计了一个可以控制样本特定详细特征的生成器,并使用多个图像数据集进行了评估,展示了 ControlGAN 在生成具有良好控制特性的改进样本方面的潜力。此外,我们证明了 ControlGAN 可以为插值和外推输入标签生成中间特征和相反特征,这表明 ControlGAN 可以显着增加生成样本的多样性。
Aug, 2017
本文提出了一种新型的正则化循环一致性生成对抗网络(RCGAN)算法,利用惩罚分布和鉴别器网络的新定义来更好地识别异常样本,经实验结果表明,在多个数据集上,RCGAN 相比当前技术水平有更强的检测异常例子的能力。
Jan, 2020
提出了一种新的深度生成模型 —— 多对抗生成网络(GMAN),以实现高质量图像的生成,相比标准 GAN,使用了多个判别器进行训练,无需调整损失函数,实现了更快、更有效的训练。
Nov, 2016
本文综述了在医学图像方面使用对抗性训练方案的最新进展,这种方法利用生成对抗网络,能够在不显式建模概率密度函数的情况下生成数据,具有域自适应、数据增强和图像处理等优点。
Sep, 2018
该论文介绍了一种新的生成对抗网络模型,称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象,并且通过优化熵正则化对抗性损失,并添加噪声,使得可以估算概率密度。实验结果表明,PresGAN 生成的样本质量高,且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。
Oct, 2019