Jul, 2022

Wasserstein 条件生成对抗神经网络的稳定并行训练

PDF
TL;DR提出了稳定且并行的方法，用固定的计算资源训练 Wasserstein 条件 GAN，通过使用多个生成器并避免进程间通信来减少模式塌陷的风险和提高可扩展性。在 CIFAR10，CIFAR100 和 ImageNet1k 数据集上验证了该方法的性能，并以固定计算时间内的可扩展性和最终准确性来评估性能。使用达到 2000 个 NVIDIA V100 GPU 的 OLCF 超算机 Summit 进行弱扩展.
发现论文，激发创造
  • 改进的 Wasserstein GANs 训练

    提出了一种比传统的 WGAN 更好的 GAN 训练方法，使用正则化替代权重截取，通过惩罚评判器对其输入梯度的范数，可以实现各种 GAN 结构的稳定训练和高质量生成。

    Mar, 2017

  • 基于 Wasserstein GAN 的人脸超分辨率

    本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

    May, 2017

  • 改进 Wasserstein GAN 的训练：一致性损失及其双重效应

    本文提出了一种创新的方法来强制实现 WGAN 的训练过程中的 Lipschitz 连续性，并与最近的半监督学习方法之一进行了无缝连接，导致不仅产生比以前方法更好的照片真实样本，而且还出现了最新的半监督学习结果，其中我们的方法在仅使用 1,000 个 CIFAR-10 图像时产生了超过 5.0 的 Inception 分数，并且在仅使用 4,000 个标记图像的情况下超过 90％的 CIFAR-10 数据集的精度，是我们所知道的第一个实现此结果的方法。

    Mar, 2018

  • Banach Wasserstein GAN

    本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点，重点关注 Sobolev 范数，并在 CIFAR-10 和 CelebA 中展示了性能提升。

    Jun, 2018

  • 一种基于条件深度学习的新型拓扑优化方法

    本文提出一种基于条件瓦瑟斯坦生成对抗网络的优化拓扑结构方法，与传统算法相比，该方法计算代价极低，只需要通过深度卷积神经网络模拟限定拓扑优化条件的全局设计空间，且得到的优化方案可以得到验证。

    Jan, 2019

  • 使用切片瓦瑟斯坦距离进行生成建模

    本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

    Mar, 2018

  • Wasserstein GAN

    介绍了一种名为 WGAN 的新算法，可以提高学习的稳定性，解决 GAN 训练中的问题，提供有用的学习曲线进行调试和超参数搜索，并提供相关的理论工作，强调了与其他分布之间的深层次联系。

    Jan, 2017

  • 使用 Wasserstein 生成对抗网络设计蒙特卡罗模拟

    该论文介绍了一种新的方法使用生成对抗网络生成接近真实经济数据的人工数据，而且可以限制研究者的操作，以评估某种统计方法在特定数据集上的性能，从而提高研究的可靠性。

    Sep, 2019

  • DepthwiseGANs：用于逼真图像合成的快速训练生成对抗网络

    本篇论文探讨了使用 DepthwiseGAN 架构生成逼真图像的方法，并通过 Fréchet Inception Distance 对生成数据质量进行了评估。结果表明，DepthwiseGAN 可以在较短的训练期间内生成逼真的图像，但是模型容量对于生成建模仍然具有重要作用。

    Mar, 2019

  • 用于数据稀缺光谱应用的生成对抗网络

    本文介绍了生成对抗网络在合成光谱数据方面的应用，提出了改进的 Wasserstein GANs 来避免模型崩溃，并证明了利用 CWGAN 数据增强可充分提高性能，同时显示 CWGAN 在低数据量条件下可作为简单 FFNN 的代理模型。

    Jul, 2023