ICLRMay, 2022

PandA: GAN 特征图中零监督学习部件和外观

PDF
TL;DR提出了一种基于非负张量分解的无监督学习方法，通过发掘卷积神经网络特征图中表示空间部分和外观特征的因子，实现基于像素级控制的上下文感知局部图像编辑，并证明外观因子对应于显著性图，可以定位感兴趣的概念，具有比现有方法更高的准确性和更少的训练时间。
发现论文，激发创造
  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 基于 GAN 的一次性语义部分分割再利用

    本文介绍利用 GANs 提取像素级别的特征向量进行语义部分分割的方法，只需要一个标记样本和一个未标记的数据集即可实现。实验表明，GANs 的表示具有较强的可区分性，且表现与需要多个标记训练的监督基准方法相媲美。我们相信这种新颖的 GANs 重用方法是适用于许多其他任务的一类无监督表示学习方法。

    Mar, 2021

  • GAN 中潜在语义的闭式因式分解

    该研究使用生成式对抗网络（GANs）的内部编码，通过直接分解预训练权重，提出了一种闭式因式分解算法，从而发现了语义上更丰富的维度，用于图像编辑和无监督学习。

    Jul, 2020

  • 无监督部件分割：通过分离外观与形状

    研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

    May, 2021

  • 基于 GAN 的潜空间在人脸语义编辑中的应用解释

    本文提出了一个名为 InterFaceGAN 的新框架，用于解释 GAN 学习到的语义面部编辑，并深入研究不同语义如何编码在 GAN 的潜在空间中。我们发现，精心训练的生成模型的潜在编码实际上学习了一个分离的表示，在线性变换后解旋，通过子空间投影来解开某些绑定属性，实现更精确的面部特征控制，并产生可控的面部属性表示的结果表明 GAN 具有生成高保真图像的能力。

    Jul, 2019

  • GAN 潜空间中可解释方向的无监督发现

    本文提出了一种无监督的方法来确定预先训练 GAN 模型的潜在空间中的可解释方向，从而实现对图像的控制生成，其应用包括弱监督显着性检测等。

    Feb, 2020

  • 基于划分指导的生成对抗网络

    该论文提出一种基于分区器的生成对抗网络的无监督学习方法，通过将高维空间分解为一组简单的子空间，训练每个子空间对应的生成器，以避免模式崩溃和样本集断裂等训练问题，理论和实验表明，该方法在各种标准基准测试中表现优于其他近期的方法。

    Apr, 2021

  • 分解空间表示学习：半监督心肌分割应用

    本文提出了一种基于潜在空间因式分解原则的方法论，以分离与心肌相关的信息和与成像相关的特征，以及其它周围次级结构特征。在半监督学习中应用该方法，结果表明，相对于完全监督网络，我们的模型在使用少量的标注图像进行训练时，具有相当的表现。

    Mar, 2018

  • GANSeg: 通过无监督分层图像生成学习分割

    本文提出了一种基于生成对抗网络的方法，以隐式关键点作为上下文条件，生成与引导图像细分任务对应的掩模图像。该方法不仅不需要对数据进行标注，而且还可以提高系统对视角和目标位置变化的容忍度。通过生成图像 - 掩模对，本文所提出的方案在公认的基准测试上优于现有的无监督分割方法。

    Dec, 2021

  • GAN 潜空间的视觉概念词汇

    本文介绍了一种新的方法，针对生成对抗网络（GAN）中的潜在空间建立无限制的基元视觉概念词汇表，该方法通过三个组件实现：(1) 基于层选择自动识别知觉显著方向；(2) 人工注释这些方向以自由形式的组成自然语言描述，以及 (3) 将这些注释分解为视觉概念词汇表，由单词标记的精简方向组成。实验表明，使用我们的方法学习的概念是可靠和可组合的 - 概念可以跨越类别、上下文和观察者进行概括，并且可以实现对图像风格和内容的精细操作。

    Oct, 2021