有限数据条件下的类别条件 GAN 训练：通过条件折叠实现

Jan, 2022

有限数据条件下的类别条件 GAN 训练：通过条件折叠实现

Collapse by Conditioning: Training Class-conditional GANs with Limited Data

Mohamad Shahbazi, Martin Danelljan, Danda Pani Paudel, Luc Van Gool

TL;DR本论文研究了基于离散输入变量的生成式对抗网络（GAN）的分类条件控制（Class-conditioning），提出了一种解决有限数据设置下模式坍塌（Mode-collapse）问题的训练策略，并在四个数据集上进行了全面的实验，结果表明该方法在训练稳定性和生成高质量图像方面具有优异的性能，并与基线模型和最先进方法相比得到了出色的结果。

Abstract

class-conditioning offers a direct means to control a Generative Adversarial Network (GAN) based on a discrete input variable. While necessary in many applications, the additional information provided by the class labels could even be expected to benefit the training of the GAN itself.

generative adversarial network class-conditioning mode-collapse training strategy limited data

发现论文，激发创造

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

应用非条件训练在较低分辨率上进行的知识共享，驯服类条件 GAN 中的尾巴

我们提出了一种针对长尾数据的类条件生成对抗网络 (class-conditional GANs) 的训练改进方法，通过知识共享使尾部类别能够借用丰富信息的优秀类别，实验证明在生成图像的多样性和质量方面相较于现有方法有显著提升。

Feb, 2024

自我条件 GAN 的多样性图像生成

提出了一种简单而有效的无监督方法，通过使用聚类方法自动地生成类别标签，来训练条件生成对抗网络模型（GAN 模型）生成多样而逼真的图像，这种方法在处理模式崩溃方面表现优异，同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像，比以前的方法提高了标准的质量指标。

Jun, 2020

LoGANv2：基于条件风格的商标生成

本文探讨了一种对 StyleGAN 体系结构的条件扩展方法，通过使用合成类别条件提高网络的可控性和结果的分辨率，同时研究了提取这些类别条件的方法以增加人的可解释程度。实验证明，条件模型相对于无条件的模型可以更好的嵌入细节，产生更多样化和高质量的输出结果。

Sep, 2019

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

无需训练数据集的条件生成对抗网络

给定一个无限制的预训练生成网络和一个预训练分类器，通过不依赖于任何训练数据集，开发一个条件生成器是否可行？

May, 2024

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

多元敏感的条件生成对抗网络

这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

Jan, 2019

利用自适应多对抗训练克服模式崩溃

本研究以新的数据生成过程为基础，揭示了生成对抗网络（GAN）生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘，即连续学习中的灾难性遗忘现象。为了解决此问题，我们引入了一种自适应生成额外判别模式的训练方法，可以减轻模式崩溃并提高 GAN 评估的标准度量。

Dec, 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