ECCVAug, 2022

通过群谱正则化改进长尾数据的 GAN

PDF
TL;DR本文旨在探讨如何解决长尾分布下的影像生成问题，在对类别分布不均衡的尾部类别生成图像时，提出了一种基于条件生成对抗网络和组谱正则化（gSR）的解决方法，并得到了实验验证。
deep long-tailed learningconditional generative adversarial networksimage generationperformance degradationgroup spectral regularizer
发现论文，激发创造
  • 对抗生成网络中的模式崩溃问题进行光谱正则化

    本论文提出了一种新的有效方法 —— 谱规则化（SR-GANs）来解决生成对抗网络（GANs）中的模式崩溃问题，并通过理论分析和大量实验结果展示了 SR-GANs 的有效性与优越性。

    Aug, 2019

  • LD-GAN: 低维度的生成对抗网络用于带有方差正则化的光谱图像生成

    本文提出一种基于低维 GAN 的数据增强方法，能够有效提高压缩光谱成像、光谱图像超分辨率以及 RGB 到光谱任务的表现，并在传统数据增强方法和同样应用 GAN 的方法的基础上取得了 0.5 到 1 [dB] 的改进。

    Apr, 2023

  • 深度长尾学习综述

    本文系统总结了深度长尾学习的最新进展，围绕着类别再平衡、信息增强和模块改进三个主要类别对相关方法进行详细探讨，并通过提出的相对准确度评估指标对最先进的方法进行了实证分析，为深度长尾学习的应用和未来研究方向提供了重要的参考。

    Oct, 2021

  • 多元敏感的条件生成对抗网络

    这篇论文提出了一种简单而高效的方法来解决条件生成式对抗网络（cGAN）中的模式崩塌问题，它通过显式地规范化生成器以产生不同的输出来控制可变因素，从而在视觉质量和多样性之间实现平衡，这种方法在图像翻译、图像修补、未来预测等多个条件生成任务中取得了出色的效果。

    Jan, 2019

  • 应用非条件训练在较低分辨率上进行的知识共享，驯服类条件 GAN 中的尾巴

    我们提出了一种针对长尾数据的类条件生成对抗网络 (class-conditional GANs) 的训练改进方法，通过知识共享使尾部类别能够借用丰富信息的优秀类别，实验证明在生成图像的多样性和质量方面相较于现有方法有显著提升。

    Feb, 2024

  • 有限数据下的生成对抗网络正则化

    该论文提出了一种正则化方法来训练健壮的 GAN 模型，使其在有限的训练数据下表现更好，并且在几个基准数据集上的实验证明了该方法在提高泛化性能和稳定学习动态方面的有效性。

    Apr, 2021

  • 长尾数据的特征空间增强

    本文提出了一种新方法，通过在特征空间中使用来自具有丰富样本的类别所学习的特征来增强特征空间中的欠表示类别，从而解决长尾分布问题。通过使用类别激活映射，将每个类别的特征分解为类别通用和类别特定部分，并将欠表示类别的类别特定特征与混淆类别的类别通用特征融合，实时生成新样本。结果表明，在 iNaturalist、ImageNet-LT、Places-LT 以及 CIFAR 的长尾版本等数据集上，本文所提出的方法展现了最先进的表现水平。

    Aug, 2020

  • 关于具有谱控制的 GAN 的计算和泛化

    通过引入新的重新参数化方法和对权重矩阵的光谱进行控制，使生成对抗网络在图像生成方面取得了更好的表现。

    Dec, 2018

  • 深度神经网络中权重矩阵的重尾正则化

    通过随机矩阵理论，提出了一种名为 “Heavy-Tailed Regularization” 的正则化技术，此技术优化了神经网络的权重矩阵，使其有更重的尾巴，并提升了网络的泛化能力。对比传统的正则化方法，实验结果证明这种新方法在泛化效果上更优秀。

    Apr, 2023

  • 通过正则化稳定生成对抗网络的训练

    通过提出一种新的正则化方法，我们克服了 GAN 模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

    May, 2017