Nov, 2021

重启 ACGAN：使用稳定训练的辅助分类器 GAN

PDF
TL;DR本研究提出了两种方法来改进使用 ACGAN 的 cGAN 生成的问题，一是将输入向量投影到单位超球体上以避免分类器中的梯度爆炸，二是提出了数据 - 数据交叉熵损失以利用分类标签数据中的关系信息，基于这个改进后的模型 ReACGAN 在 CIFAR10，Tiny-ImageNet，CUB200 和 ImageNet 数据集上取得了最先进的生成结果。
发现论文，激发创造
  • 双辅助分类器 GAN

    本文介绍了一种新的条件生成模型 ——TAC-GAN，该模型用新的辅助分类器可以有效地增加生成数据的多样性，实验证明该模型在真实数据集上可以显著提高类别条件的图像生成的多样性。

    Jul, 2019

  • 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

  • 用双投影生成对抗网络进行条件图像生成

    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。

    Aug, 2021

  • 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

  • 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

  • 具备生成对抗网络的多功能辅助分类器（VAC+GAN）

    提出了一种新的深度条件生成器的训练框架，该框架通过将分类器与辨别器并联并通过生成器网络反向传播分类误差来训练一个深度条件生成器，用于从特定分布中提供标记的对抗样本，适用于任何生成对抗网络实现的变体，并且相比于类似的方法，产生了更好的结果。

    May, 2018

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

    May, 2018

  • 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

  • 标签噪声鲁棒性生成式对抗网络

    该论文提出了一种名为 rGAN 的新型 GAN 模型，通过加入噪声转移模型，在训练标签出现噪声的情况下，可以学习到一个干净的带条件的生成分布。该模型在不同的噪声设置和多种评估指标下得到了有效的表现。

    Nov, 2018

  • 激活极大化生成对抗网络

    本文系统研究了当前使用类别标签的生成对抗网络 GANs 以及相关的分类信息对 GAN 网络的训练和生成效果的影响，并提出了一种新的基于激活最大化的 AM-GAN 生成对抗网络方案，在 CIFAR-10 数据集上实现了 8.91 的 state-of-the-art Inception 得分，并提出 AM 得分评价指标以更准确地评估生成样本质量。

    Mar, 2017