Feb, 2021

跨类别知识传播的高效条件 GAN 迁移

PDF
TL;DR提出了一种从已有条件图像生成模型迁移知识，提高在新类上的生成效率的方法，该方法利用条件批标准化技术从旧类向新类传播知识，实验证明该方法优于现有的方法。
generative adversarial networksconditional gansknowledge transferconditional batch normalizationefficiency
发现论文，激发创造
  • GAN 转移：从有限数据生成图像

    本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

    May, 2018

  • 使用超调制将无条件 GAN 转化为有条件 GAN

    本论文旨在通过构建超调制生成网络，利用先前训练好的非泛化 GANs 来实现对条件 GANs 的迁移学习，提高训练的效率和样本利用率，并运用对比学习进一步提高判别器的性能。

    Dec, 2021

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021

  • 有限数据条件下的类别条件 GAN 训练：通过条件折叠实现

    本论文研究了基于离散输入变量的生成式对抗网络（GAN）的分类条件控制（Class-conditioning），提出了一种解决有限数据设置下模式坍塌（Mode-collapse）问题的训练策略，并在四个数据集上进行了全面的实验，结果表明该方法在训练稳定性和生成高质量图像方面具有优异的性能，并与基线模型和最先进方法相比得到了出色的结果。

    Jan, 2022

  • SKDCGN: 使用 cGAN 源无关的对抗生成网络进行反事实知识蒸馏

    本文提出了一种使用预训练的 CGN 模型进行知识蒸馏的技术，以实现黑盒访问下的知识迁移。采用 TinyGAN 学习预训练的 BigGAN，从而使生成图像更具属性，使分类器更具有不变性。

    Aug, 2022

  • 类别分割生成对抗网络

    本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能，以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平，即使在无监督设置下同样适用 。

    Sep, 2017

  • 应用非条件训练在较低分辨率上进行的知识共享，驯服类条件 GAN 中的尾巴

    我们提出了一种针对长尾数据的类条件生成对抗网络 (class-conditional GANs) 的训练改进方法，通过知识共享使尾部类别能够借用丰富信息的优秀类别，实验证明在生成图像的多样性和质量方面相较于现有方法有显著提升。

    Feb, 2024

  • P-KDGAN: 基于 GAN 的渐进式知识蒸馏用于单类别新颖性检测

    本文提出了基于生成对抗网络的渐进式知识蒸馏来解决资源限制下深度神经网络参数过多的问题，并在检测异常实例的一个类别新奇检测上实现了最先进的性能。通过在 CIFAR-10、MNIST 和 FMNIST 上进行实验，结果显示，我们的方法在压缩计算的同时提高了学生 GAN 的性能。

    Jul, 2020

  • 使用投影鉴别器的条件生成对抗网络 (cGANs)

    本文提出了一种新的投影方法来将条件信息纳入 GAN 的鉴别器中，以尊重条件信息在概率模型中的作用，这种方法与当前应用中使用嵌入向量将条件信息与特征向量拼接的大多数条件 GAN 框架形成对比。通过这种修改，我们能够显著提高基于 ILSVRC2012（ImageNet）1000 类图像数据集的类别条件图像生成质量，并且使用单个鉴别器和生成器对此进行了实现。我们还将这种应用扩展到超分辨率，并成功地生成了高度有区别的超分辨率图像。这种新的结构还使基于参数化功能转换的条件批归一化层的高质量类别转换成为可能。

    Feb, 2018

  • 使用 GAN 生成类别独特和类别共有的图像

    提出了分类器后验 GAN（CP-GAN），它通过将分类器的后验融入生成器输入并优化生成器来实现，以实现捕捉类别之间的关系并有选择地生成图像。

    Nov, 2018