本文提出了一种基于对抗生成网络的模型 GM-GAN,其中对概率分布进行了控制,使得模型在高维度多样化数据集上的表现得以提高,并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。
Aug, 2018
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
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
Jun, 2019
本文概述了 3D 生成方法和 3D 感知图像合成的算法和表示方法的发展,并探讨了面临的困难和挑战。
Oct, 2022
提出了一种基于无监督多视图生成模型的条件变体,可在高维空间中生成各种物体的逼真样本,相比于其他条件生成方法,我们不会对变差因素做任何假设,不需要视图的监督。
Nov, 2017
提出了一种自动编码器技术,结合了变分自动编码器与生成式对抗网络,可透过特征表示量测数据空间的相似性,进而以特征误差为基础重新构建数据分布,其具有位移不变性,运用在脸部图像上可提供更优的视觉保真度,并能够学习出抽象且高层次的视觉特征。
Dec, 2015
本论文使用预训练自编码器的代表特征隐式规范鉴别器,通过影响反向和正向 KL 距离使得 GAN 的训练更稳定,在图像质量和多样性上都有提高。
Jan, 2018
该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构,可以用于人脸的生成学习任务。
Jun, 2023
该文介绍了一种基于多模态数据边缘似然的分层变分自编码器的族群。文章使用 VAEGAN 及基于流的模型构建了模型。实验结果表明,对于图像、标签和文本数据,这些模型在很多领域中达到了最优结果,并且使用 GAN 图像模型和 VAE 语言模型可以得到更好的表现。最后,在配合口语的任务中,该文章发现用于学习图像表达的表示比只使用视觉数据中学习的等效表示更抽象、更组合。
Dec, 2019
通过利用先前训练好的生成模型,通过领域自适应的方式,基于有限数量的训练数据从而实现了少样本 3D 形状生成,该方法能够在保持多样性的同时避免过度拟合,并通过多种度量评估了生成的质量和多样性。
May, 2023