低样本图像生成的自适应特征插值
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
提出了一种新型的、基于增强现实的自监督辨别器,并利用预测参数作为判别阈值,减弱了旧行的数据不变性,显著提升了数据效率,实验结果优于其他 GANs
May, 2022
本文提出了一种基于特征空间上的混合距离正则化的方法,用于训练现有的生成模型,以在少量样本的情况下增强其逼真性和多样性,从而解决 GANs 在训练数据不足时的过拟合问题和模式崩溃现象。
Nov, 2021
通过融入对抗性和反对抗性扰动分布,增强样本的深度特征,适应性调整学习困难以适应每个样本的特征。同时,开发了一种基于元学习的框架,通过引入增强的效果并跳过显式的增强过程,优化分类器。在长尾学习、广义长尾学习、嘈杂标记学习和子种群转移学习等四种常见偏差学习场景中进行了广泛实验,实证结果表明该方法始终达到最先进的性能水平,突显其广泛适应性。
Apr, 2024
该论文研究了无监督学习中生成模型的训练方法,提出了一种在对抗网络与似然训练之间进行混合训练的方法,其中使用深度可逆变换来解决概率和逆变换之间的冲突,实现了更好的生成样本和更高的似然性评估。
Jan, 2019
本研究使用生成对抗网络(GANs)的目标函数来学习与源数据集不可区分的目标特征,并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明,强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。
Nov, 2017
本文介绍一种新的基于协方差保存的对抗增强网络模型,用于解决小数据训练下深度神经网络出现过拟合和灾难性遗忘的问题,其利用生成式对抗网络设计出的方法,可以生成逼真而多样化的样本,并显著提高了 ImageNet 基准测试结果。
Oct, 2018
本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成,提出了自适应滤波器调制(AdaFM)的方法,证明了此技术在限制数据生成方面的有效性。
Feb, 2020