GenCo: 有限数据生成对抗网络的生成式协同训练

AAAIOct, 2021

GenCo: 有限数据生成对抗网络的生成式协同训练

GenCo: Generative Co-training for Generative Adversarial Networks with Limited Data

Kaiwen Cui, Jiaxing Huang, Zhipeng Luo, Gongjie Zhang, Fangneng Zhan...

TL;DR本研究提出了一种基于多元鉴别器协同训练的生成对抗网络 GenCo，通过提供多角度的监督信息减轻鉴别器过拟合问题，该方法在有限的训练数据下达到了优越的图像生成结果，并通过与数据增强方法相结合获得了更加稳定且明显的性能提升。

Abstract

Training effective generative adversarial networks (GANs) requires large amounts of training data, without which the trained models are usually sub-optimal with discriminator over-fitting. Several prior studies a

generative adversarial networks data augmentation image generation co-training network discriminator over-fitting

发现论文，激发创造

使用有限数据训练生成对抗网络

本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

Jun, 2020

DivCo: 基于对比式生成对抗网络的多样化条件图像合成

本研究提出了 DivCo 框架，使用对比学习（contrastive learning）约束生成图像之间的正 (positive) 和负 (negative) 关系，实现条件生成对抗网络 (cGANs) 的多样性图像合成。实验结果显示，DivCo 在多种无配对和配对图像生成任务中，能够产生比其他最先进的方法更多样化的图像，而且不会牺牲视觉质量。

Mar, 2021

GenCo：一种辅助生成器用于增强遥感中的少样本学习

通过引入生成器对比学习框架（GenCo）作为预训练方法，本文研究了在遥感和地球观测中基于少样本学习的分类和语义分割任务，并在农业视觉和 EuroSAT 两个重要遥感数据集上展示了优于纯监督训练的效果。

Jul, 2023

耦合生成对抗网络

本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。此外，对于域自适应和图像转换，也展示了其应用。

Jun, 2016

GenCO: 利用组合性质生成多样的设计问题解决方案

通过与嵌入式组合优化求解器集成的深度生成模型，我们提出了 GenCO 框架，旨在发现与非线性目标一致的高质量解决方案，解决了传统的生成模型和优化求解器在遵循离散 / 组合约束和惩罚偏离方面的困难，以生成多样的、高质量的解。

Oct, 2023

CoT：离散数据生成建模的合作式训练

本文提出了一种名为 Cooperative Training 的新方法，通过将 GANs 的 min-max game 转化为一个联合最大化框架并显式地估计和优化 Jensen-Shannon 距离来解决序列生成模型的训练问题。实验证明，与现有的最先进方法相比，CoT 在样本质量、多样性和训练稳定性方面具有优越或至少具有竞争性的表现。

Apr, 2018

自协同学习：生成器与鉴别器之间的协作

本文提出了一种自洽学习的框架，利用生成对抗网络的生成模型和判别模型的博弈优化，使两者协同训练，避免了 GAN 训练不稳定的问题，并在句子语义匹配问题上实现了较好的性能。

Mar, 2023

从实例区分中高效生成实例

本文提出了一种基于实例鉴别方法的数据高效生成对抗网络（GAN）训练方法，从而解决 GAN 训练中数据匮乏问题导致的过拟合问题，实验结果表明，在 FFHQ 数据集 2K 训练图像的情况下，比最先进的方法 FID 提高了 23.5％。

Jun, 2021

生成协作网络用于自然语言生成

本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法，并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。

Jan, 2022

GAN 增强：使用生成对抗网络进行训练数据增强

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018