ICLRJun, 2021

生成对抗网络的 Stein 潜变量优化

PDF
TL;DR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。
generative adversarial networksclustered latent spacesunsupervised conditional generationstein latent optimizationencoder network
发现论文，激发创造
  • ClusterGAN：生成对抗网络中的潜空间聚类

    本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制，通过从一热编码变量和连续变量的混合中采样潜变量，再结合一个特定于聚类的损失函数，与一个将数据投影到潜空间的逆网络共同训练，我们能够在潜空间中进行聚类。结果表明，GAN 可以保留类别之间的潜空间插值，即使鉴别器从未接触过这些向量，并且在合成和真实数据集上，我们的结果比各种聚类基线表现更好。

    Sep, 2018

  • 生成网络的潜空间优化

    本文介绍了生成对抗网络的成功因素，并提出 “生成潜在优化” 框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

    Jul, 2017

  • 深度生成对抗网络中的潜在向量对聚类效果的影响

    本文探讨了生成对抗网络中聚类的问题，并从多模态潜在空间的角度提出了新的解决方案，该方案通过可调节的先验和所需聚类先验的影响来实现聚类。我们证明了所有组件的重要性，并提出了一种使用稀疏监控的多模态潜在空间的过程来便于学习聚类先验。

    May, 2020

  • 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

  • 潜空间操纵的代理梯度场

    本文提出了一种基于替代梯度场算法的方法，通过操纵关键点和说明文字等多维条件，搜索新的潜在编码，使得编辑后的图像符合目标条件。实验结果表明该方法在人脸属性调整任务方面表现优异，能够更好地处理图像属性的分离问题。

    Apr, 2021

  • LOGAN: 生成对抗网络的潜在优化

    利用自然梯度基于潜在空间的优化改进了 CS-GAN 模型，增强了模型的生成器和辨别器之间的互动，通过在 ImageNet 数据集上的实验表明，该方法在生成对抗网络训练中可显著提高模型性能。

    Dec, 2019

  • 结构式生成对抗网络

    该论文提出了一种基于两个独立潜变量的结构化生成式对抗网络，通过两个博弈过程最小化 y 和 z 的重构误差，并且提高了半监督条件下的图像分类精度以及图像生成质量。

    Nov, 2017

  • 潜在约束：从无条件生成模型学习有条件生成

    本文提出了一种方法，通过后续学习潜在约束来在不重新训练模型的情况下进行条件生成，并结合逼真的条件生成可生成逼真的有条件图像。同时，该方法使用了基于梯度的优化来演示保持恒等的变换，以最小调整潜在空间以修改图像属性的方法。最后，结合离散的音符序列进行零样本条件生成，无需标记数据或可微分奖励函数。

    Nov, 2017

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • GAN 的最佳精度

    研究深度生成模型的潜在空间几何结构及优化条件，通过实验提出限制方法，提高生成对抗网络的性能。

    Jul, 2022