ICCVAug, 2021

朝向空间无偏差生成模型

PDF
TL;DR本文针对图像生成模型在数据集中表现出的空间偏见现象，提出了在生成器的每一个尺度注入显式的位置编码，以学习空间上无偏差的生成器，以适应多种任务的需求，包括 GAN 反演、多尺度生成、任意尺寸和宽高比的生成。同时，作者还表明该方法同样适用于去噪扩散随机模型。
image generationspatial biaspositional encodingmulti-scale generationdenoising diffusion probabilistic models
发现论文，激发创造
  • 生成对抗网络中的位置编码为空间归纳偏差

    该论文研究了产生式模型的位置编码对于生成高保真度图像的作用，发现使用零填充时的隐式位置编码是生成器捕捉全局结构的关键，并且使用一种更灵活的显式位置编码可以显著提高产生式模型的性能。

    Dec, 2020

  • 任意尺度图像合成

    本文提出基于位置编码和跨尺度图像合成的方法，并在多个数据集上展现了稳定高质量的生成效果。

    Apr, 2022

  • 卷积生成对抗网络中的空间频率偏差

    本文主要研究如何解决基于 Generative Adversarial Networks 的图像生成模型在高频处表现不佳的问题，为解决此问题，提出一种仅需少量计算资源的方法来调整模型对数据的关注点，增强模型的灵活性。

    Oct, 2020

  • 潜在方向：生成式人工智能中的偏见缓解简单路径

    通过学习潜在空间中的方向并仅修改扩散过程中提供的初始高斯噪声，我们的工作引入了一种新方法，实现多样性和包容性合成图像，这成功地适应了各种去偏差场景，如地理偏差。

    Jun, 2024

  • SIGN: 基于空间信息的生成网络用于广义零样本语义分割

    本文提出了零样本语义分割问题中的相对位置编码和退火自训练策略，并在三个基准数据集上进行了全面的实验评估。

    Aug, 2021

  • 针对可控图像生成的空间感知潜变量初始化

    通过利用空间感知的初始化噪声，我们提出了一种自定义空间感知初始化噪声的开放词汇框架，以有效提高布局引导的效果。

    Jan, 2024

  • 深度生成模型中的偏差和泛化：一个实证研究

    本文提出一个系统研究深度生成模型的偏差和泛化的框架，并通过认知心理学实验方法探讨其生成新属性和组合的特点与人类心理学的相似之处。作者发现这些模式与常用模型和结构一致。

    Nov, 2018

  • 无需训练的位置感知文本到图像合成

    本文提出了一种新的交互式图像生成方案，以定位细粒度为目标，评价了生成模型控制位置的能力，并在图像质量和控制能力方面均表现出超过最先进方法的效果。

    Apr, 2023

  • 生成对抗网络的 “可操控性

    该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

    Jul, 2019

  • 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