ICCVAug, 2021

用双投影生成对抗网络进行条件图像生成

PDF
TL;DR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。
conditional generative adversarial networksclass conditioningdata matchinglabel matchingdual projection gan
发现论文，激发创造
  • 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

  • 带有辅助判别器的条件 GANs

    该论文提出了一种使用辅助判别器的条件 GAN（ADC-GAN），具有较高的类内多样性，可以更准确地生成有条件的数据，并在合成及真实数据集上进行实验取得了优越结果。

    Jul, 2021

  • 快速收敛用于图像合成的条件生成对抗网络

    在真 / 假分类器基础上，通过增加高级辅助分类器，引入一个额外的 “假” 类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

    May, 2018

  • 有条件 GAN 中的选择性聚焦学习

    本文提出使用选择性对焦学习的训练方法来解决条件生成对抗网络（cGANs）的训练问题，针对每个小批量的数据选择性地应用条件匹配和联合匹配，从而在 ImageNet、CIFAR-10 和 CIFAR-100 数据集上提高了 cGAN 的性能（FID 最高可达 35.18%），同时保持了多样性。

    Jul, 2021

  • ContraGAN: 基于对比学习的条件图像生成

    本文提出了 ContraGAN 的方法，利用条件对比损失函数，考虑同一批次中多个图像嵌入之间的关系 (data-to-data relations) 和数据与类的关系 (data-to-class relations)。实验结果表明，ContraGAN 在 Tiny ImageNet 和 ImageNet 数据集上比现有模型分别提高了 7.3% 和 7.7% 的性能表现，并且对比学习有助于解决判别器过拟合的问题。

    Jun, 2020

  • 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

  • 双向条件生成对抗网络

    本文提出了一种基于双向 cGAN 的生成模型，采用编码器从数据样本中学习潜在变量和已知辅助信息反向映射，通过关键技术的应用，该模型能够更准确地编码和利用潜在变量和辅助信息，并在生成样本方面具有更好的表现。

    Nov, 2017

  • 条件生成对抗网络

    本文介绍了一种新颖的生成模型 —— 条件生成对抗网络，可以通过给生成器和判别器同时提供我们希望对条件进行的数据 y 来构建。本文展示了这个模型可以根据类别标签生成 MNIST 数字，并提供了一个多模态的模型应用示例，演示了如何生成不属于训练标签的描述性标签。

    Nov, 2014

  • DuDGAN：通过双扩散提高类条件 GAN 的效果

    提出了一种新的 GaN 方法 DuDGAN，通过采用双扩散噪声注入方法来实现类别有条件的图像生成。通过三个网络的联合训练，并对现有方法进行比较，实验结果表明，在性能方面，新方法优于现有条件 GAN 模型。

    May, 2023