Apr, 2022

带条件生成对抗网络的情感面部生成中的跨类标签插值

PDF
TL;DR本研究探讨在情感分类数据集上使用标签插值的方法来增强 GAN 模型的表现，以生成可基于连续特征条件的情感图片，解决分类情感模型中无法实现平滑转换的问题。
generative adversarial networkshuman-computer interactionemotional imageslabel interpolationcontinuous features
发现论文，激发创造
  • 使用生成对抗网络的情感分类数据增强

    本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用 GAN 进行数据增强，可以使分类准确率提高 5％〜10％。

    Nov, 2017

  • 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

  • 低样本图像生成的自适应特征插值

    本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

    Dec, 2021

  • 利用连续情感标签进行面部表情编辑

    该研究探索了如何采用连续情感表述来控制自动表情编辑，通过深度生成模型，根据具有两个维度的连续情感标签对面部图像中的面部表情进行操作，并通过定量和定性分析展示了模型的功能。

    Jun, 2020

  • 情感唤起图像增强方法的评估与比较

    通过生成对抗网络（GANs）创建情感计算的刺激数据集，探索了一种替代传统数据集准备方法的方案，包括使用不同的 GAN 架构、数据增强和迁移学习技术，在情感计算的领域中显示出有希望的生成情感激发性的合成图像，为未来的研究和改进提供了重要的潜力。

    Jun, 2024

  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 2018

  • 用于面部表情转换的几何对比 GAN

    本研究提出一种几何对比生成对抗网络 (GC-GAN)，其通过将连续的情感跨越不同个体，将具有特定情感的原始面孔转化为带有目标面部表情的面部表情迁移技术。

    Feb, 2018

  • 使用有条件训练的输入生成对抗网络从文本特征生成人脸

    本文介绍了一种利用生成式对抗网络和自然语言处理模型生成人脸的新方法，将面部描述转换为可学习的潜在向量，从而生成与这些特征相对应的面部。

    Jan, 2023

  • 几何引导的对抗性面部表情合成

    本文提出一种几何引导生成对抗网络 (G2-GAN)，通过面部几何条件（标识点）来引导特定表情的面部纹理合成，实现逼真的与身份保护面部表情合成，并取得了良好的实验效果。

    Dec, 2017

  • 使用较少标签进行高保真图像生成

    本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络，实现在仅使用少量标签数据的情况下，超越当前最先进的深度生成模型，并在 ImageNet 的无监督合成和有条件的情况下，匹配 BigGAN 模型的样本质量。

    Mar, 2019