Feb, 2022

GAN 何时复制？—— 从数据集大小的选择谈起

PDF
TL;DR通过对三个数据集上 BigGAN 和 StyleGAN2 的实证研究，我们发现数据集的大小和复杂度对 GAN 复制和生成图像的感知质量有重要的影响，同时我们还发现，GAN 复制百分比和数据集大小和复杂度呈指数衰减关系，视觉图像质量随数据集大小呈 U 形趋势。这一研究成果为防止 GAN 复制提供了一种简单实用的一步估算工具，可以用于指导数据集的构建和选择。
gansreplicationdataset sizedataset complexityperceptual quality
发现论文，激发创造
  • 在人工数据集上训练 GAN 的经验教训

    通过训练 GAN 在人工数据集上，我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上，我们的方法在流行的指标（IS 和 FID）上明显优于现有技术的表现。

    Jul, 2020

  • GANs 是否真的学习了数据分布？一项实证研究

    研究 GANS 是否可以准确学习目标分布，发现当判别器具有有限大小时，GAN 的训练目标可能无法防止模态崩溃。通过基于生日悖论的新测试方法，提供了实证证据证明当前的 GAN 方法不能完全学习目标分布的任何支持度数量的分布。

    Jun, 2017

  • 文本到图像合成的 GAN 扩展

    本文提出了一种新的 GAN 架构 GigaGAN，用于文本到图像合成，并比较了其与传统的 GANs 和 DALL-E2 的性能，结果表明 GigaGAN 可以快速且高质量地合成高分辨率图像。

    Mar, 2023

  • 图像生成中数据高效 GAN 的全面调查

    通过对分布优化的角度重温和定义 DE-GAN，将现有方法分类为数据选择、GANs 优化和知识共享三个类别，总结了 Data-Efficient GANs 的特性、挑战与解决方案，并试图突出当下问题和未来方向。

    Apr, 2022

  • GAN 的实例选择

    本文提出了一种改进样本质量的新方法：在模型训练之前通过实例选择来改善经验数据分布，将模型容量重定向到高密度区域，从而提高样本保真度，降低模型容量要求和显著减少训练时间。

    Jul, 2020

  • 利用预训练的 GAN 生成有限数据

    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

  • 生成对抗网络集成用于合成训练数据生成

    本文研究了在医学影像方面采用生成对抗网络（GANs）合成图像作为深度学习的训练数据来替代难以获取的真实数据集的可行性，同时探讨使用多个 GANs 以提高生成数据的差异性在数码病理学方面的应用。

    Apr, 2021

  • 生成对抗网络的 “可操控性

    该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

    Jul, 2019

  • 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

  • StyleGAN-XL：将 StyleGAN 扩展到大规模多样化数据集

    使用强大的神经网络先验和渐进增长策略，成功地在 ImageNet 上训练了最新的 StyleGAN3 生成器，创造了新的 StyleGAN-XL 模型，并在大规模图像合成方面取得最新的技术突破。

    Feb, 2022