Feb, 2021

自我诊断 GAN：诊断生成对抗网络中低频样本

PDF
TL;DR本文提出了一种简单而有效的方法，通过诊断和强调 GAN 训练过程中未表示的训练样本，从而提高 GAN 在各种数据集上的性能，特别是在改善样本生成的质量和多样性方面对于少数派群体非常有效。
generative adversarial networksganssample generationdiversityunderrepresented samples
发现论文，激发创造
  • GAN 的实例选择

    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。

    Jul, 2020

  • 包容性 GAN：在生成模型中改进数据和少数族裔覆盖率

    通过协调对抗训练和重构生成来提高数据覆盖率，并扩展了一个允许显式控制模型应该包含的少数群体的方法。

    Apr, 2020

  • 用高斯混合生成对抗网络来处理多样化数据集和图像的无监督聚类

    本文提出了一种基于对抗生成网络的模型 GM-GAN，其中对概率分布进行了控制，使得模型在高维度多样化数据集上的表现得以提高，并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。

    Aug, 2018

  • 生成式对抗网络的公正性分析

    本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。

    Mar, 2021

  • DOPING: GAN 生成数据增强用于无监督异常检测

    本研究介绍了一种基于 GAN 和 AAE 的数据增强框架，可以应用于未监督的异常检测任务，并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。

    Aug, 2018

  • 生成对抗网络中的协同采样

    本文提出了一种协同抽样方案，使得生成器和鉴别器通过在生成器的特定层使用梯度更新来优化生成样本，通过实验验证在合成和图像数据集上，这种方法可以在定量和定性上提高生成的样本，提供了 GAN 抽样中的一种新的自由度。

    Feb, 2019

  • 淬炼对抗网络

    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

  • 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

  • 不需重新训练深度生成模型的公平性改进

    该研究使用生成对抗网络 (GANs) 生成面孔，发现在生成图像的过程中，训练数据中的偏见被放大。为了解决这个问题，提出了一种可解释的基准方法来平衡产生的面部属性，从而产生更平衡的数据。同时，该方法具有泛化能力来处理多个属性以及细分组的样本合成，进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。

    Dec, 2020

  • 利用差异学习 GAN 和集成模型

    本文提出了一种使用误差度量方法来训练生成式对抗网络，通过该方法可以获得更好的泛化性能，并使用该方法来训练 DGAN 和 EDGAN 等两个算法，实现了在玩具示例和多个基准数据集上的有竞争力的性能表现。

    Oct, 2019