Mar, 2022

FragmGAN: 面向片段数据插值和预测的生成对抗网络

PDF
TL;DR通过利用响应模式的结构，我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架，旨在同时处理片段数据的插补和标签预测，与其他基于生成模型的插补方法不同的是，该方法具有理论保证并且可以处理 Missing At Random （MAR）的数据。在广泛的实验中，FragmGAN 表现出较大的预测性能优势。
发现论文，激发创造
  • MisGAN：用对抗生成网络从不完整的数据中学习

    本文提出了一种基于 GAN 的框架，用于学习复杂、高维度的不完整数据，其中包括生成完整数据生成器和建立缺失数据分布的掩码生成器，同时还采用对抗训练技术完成缺失数据的插补处理，并在缺失随机假设下进行了多种类型的实验验证。

    Feb, 2019

  • GAIN: 使用生成对抗网络进行缺失数据插补

    本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法，称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息，即提示向量，我们测试了我们的方法，并发现 GAIN 显著优于现有的插值方法。

    Jun, 2018

  • DPGAN：用于图中缺失数据填补的双路径生成对抗网络

    本文提出了一种名为 Dual-Path Generative Adversarial Network (DPGAN) 的新框架，用于同时处理缺失数据和避免过度平滑问题，在广泛的基准数据集上进行了全面的实验证明，DPGAN 始终能与现有的最先进的数据补全算法相媲美，甚至胜过其它算法。

    Apr, 2024

  • 基于生成对抗网络的分类型电子病历填补

    本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法，该方法基于 GAN 技术，可以有效地提高数据预测精度。

    Aug, 2021

  • CollaGAN: 遗漏图像数据填补的协同生成对抗网络

    本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架，该框架将图像填充问题转化为多域图像到图像的翻译任务，以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据，实验证明与现有竞争方法相比，CollaGAN 能够产生更高质量的图像。

    Jan, 2019

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • HexaGAN: 用于现实分类的生成式对抗网络

    本文提出了一种名为 HexaGAN 的深度学习分类算法，它针对问题而来自三个问题（缺失数据，类别失衡和缺失标签），并通过新的预处理方法展现出良好的分类性能。

    Feb, 2019

  • F2GAN: 融合与填充 GAN 用于少样本图像生成

    本文提出了一种融合填充生成对抗网络（F2GAN）来解决少样本图像生成问题，该方法通过图像融合和填充细节，并通过鉴别器中的多模式寻求损失以及插值回归损失来保证生成图像的多样性。实验结果表明，该方法在 5 个数据集上的表现优异。

    Aug, 2020