AAAIJun, 2021

动态增长的生成对抗网络

PDF
TL;DR本文提出一种动态增长的 GAN 训练方法，将架构搜索技术作为一个交错步骤与梯度训练相结合，以周期性地寻求生成器和鉴别器的最佳架构增长策略，从而实现了逐步增长训练的好处和更广泛的架构设计空间的改进性能，实现了新的图像生成技术的最新进展，提供了生成器 - 鉴别器平衡和卷积层选择等 GAN 模型设计方面的建设性见解。
progressive network growinggandynamically growingarchitecture searchimage generation
发现论文，激发创造
  • 渐进式增长 GAN 以提高质量、稳定性和变化性

    通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

    Oct, 2017

  • AGAN: 自动设计生成对抗网络

    本文提出了第一个专为 GAN 训练而设计的神经架构搜索算法 AGAN。通过 AGAN 在 CIFAR-10 数据集上的实验证明，该算法可以自动搜索到优于同一正则化技术下现有最先进模型的神经网络结构。在 $32 imes32$ 的分辨率下，该算法自动搜索的网络结构的表现也能够胜任监督学习任务，并且在其它图像生成任务中可进行迁移学习。

    Jun, 2019

  • 利用生成对抗网络增强角色设计师的创造力

    本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

    May, 2023

  • 逐步增量式 GAN

    通过新的正则化技术 - 逐步增强生成对抗网络（PA-GAN），逐步增加鉴别器的输入或特征空间的任务难度，从而使生成器能够不断地学习，这保留了原始 GAN 目标，不损害鉴别器的最优性并鼓励生成器和鉴别器之间健康的竞争，从而提高了 FID 得分的有效性。

    Jan, 2019

  • AutoGAN: 生成对抗网络的神经结构搜索

    本文介绍了一项有关 AutoGAN 的初步研究，这是将神经架构搜索算法引入生成对抗网络中的首个尝试。通过使用 RNN 控制器来引导搜索生成器构架的变化，实验结果验证了 AutoGAN 在无条件图像生成任务中的有效性，并与当前最先进的手工制作的 GANs 相比，取得了高竞争性的表现。

    Aug, 2019

  • AlphaGAN: 针对生成式对抗网络的全可微架构搜索

    本文介绍了一种全可微分搜索框架 alphaGAN，用于优化生成式对抗网络（GANs）的网络架构。实验表明，该算法可以在仅使用 3 GPU 小时的情况下有效地优化高性能结构，且搜索过程是一种双层极小极大优化问题，采用全可微分的方式。

    Jun, 2020

  • Pioneer Networks：逐步增长的生成自编码器

    提出了一种新颖的生成自编码器网络模型，能够高质量、高分辨率地学习编码和重建图像，并支持从编码器的潜在空间进行平滑的随机采样。

    Jul, 2018

  • 使用复合生成对抗网络逐部生成图像

    本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

    Jul, 2016

  • 生成对抗网络的共同进化

    本研究提出 COEGAN 模型，将神经进化和协同进化技术应用于 GAN 训练中，提高了训练的稳定性和 GAN 网络结构的自动发现，解决了部分模式崩溃问题。

    Dec, 2019

  • 农业图像增强的生成式对抗网络：一篇系统综述

    该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

    Apr, 2022