Oct, 2022

利用特征循环生成器改进 GANs

PDF
TL;DR本研究提出了一种新的单元结构 - 特征循环块（FCB），可以用于生成对抗网络（GANs）的生成器架构中。该单元结构具有两个分支，一个是内存分支，另一个是图像分支。 其中，内存分支在生成器的每个阶段保持有意义的信息，图像分支则从内存分支获取一些有用的特征，以生成高质量的图像。 通过在多个数据集上进行实验，结果表明了本方法的显著优越性。
generative adversarial networksfeature cycling blockimage generationresidual blocktraining
发现论文，激发创造
  • GAN 的有效快捷技术

    本文介绍了一种新的快捷方式方法 ——gated shortcut，该方法在保留残差块的优点的同时，进一步提高了 GAN 性能。在 CIFAR-10、CIFAR-100、LSUN 和 tiny-ImageNet 等标准数据集上进行的大量实验结果表明，gated shortcut 取得了令人印象深刻的 GAN 性能，如 Frechet inception distance（FID）和 Inception score（IS）。

    Jan, 2022

  • 生成分层特征用于合成图像

    通过学习样本数据的潜在分布，生成对抗网络（GAN）最近推动了图像合成的进展。本文通过使用预训练的 StyleGAN 生成器作为已学习的损失函数，并利用其分层表示来训练新的层次编码器，展示了学习图像合成如何产生通用于广泛应用的出色分层视觉特征。通过广泛的定性和定量实验结果表明，GH-Feat 具有很强的可转移性，可以应用于图像编辑、图像谐调、图像分类、脸部验证、地标检测和布局预测等生成和判别任务。

    Jul, 2020

  • 投影 GAN 更快收敛

    本文提出了一种基于预训练特征空间的投影生成对抗网络（GAN）来改善 GAN 的训练难度，通过将所生成的和真实样本投影到该空间中，激活深层特征，并混合深层特征中的通道和分辨率，从而提高图像质量和训练速度，并成功地将 Frechet Inception Distance （FID）值在 22 个基准数据集上进一步提高，同时加快了训练速度。

    Nov, 2021

  • 针对生成式零样本学习的特征混淆缓解

    本文提出了一种新的特征生成网络 AFC-GAN，用于解决基于 GAN 的零样本学习中存在的特征混淆问题，通过提出边界损失和特征混淆得分指标 FCS 等方法可以显著提高模型的性能。

    Sep, 2019

  • FCL-GAN: 一种轻量级实时无监督盲图像去模糊基准线

    本文提出了一种轻量级、实时的无监督深度图像去模糊方法，称为频域对比损失约束轻量 CycleGAN（FCL-GAN），它采用两种新的协作单元，即轻量级域转换单元（LDCU）和无参数频域对比单元（PFCU），在多个图像数据集上的实验结果表明了该方法在性能、模型大小和实时性方面的优越性 。

    Apr, 2022

  • FaceFeat-GAN: 一种保持身份识别的人脸合成的两阶段方法

    本文提出了 FaceFeat-GAN 模型，使用两阶段的模型合成人脸图像，通过在不同阶段的目标函数精心设计，能够在保留身份信息的同时生成高多样性和高质量的图像，较之前的方法表现显著优越。

    Dec, 2018

  • 渐进式增长 GAN 以提高质量、稳定性和变化性

    通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

    Oct, 2017

  • 快速收敛用于图像合成的条件生成对抗网络

    在真 / 假分类器基础上，通过增加高级辅助分类器，引入一个额外的 “假” 类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

    May, 2018

  • 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

  • 特征感知条件生成对抗网络用于类别文本生成

    提出了一种用于可控的分类文本生成的新型生成对抗网络（GAN）框架，FA-GAN，通过改进文本 GAN 的离散性、训练不稳定性、模式坍缩、缺乏多样性和可控性等问题来生成具有指定类别的句子。实验证明，FA-GAN 在文本分类的六个数据集上的性能始终优于其他 10 种最先进的文本生成方法。案例研究表明，FA-GAN 生成的合成句子能够匹配所需类别，并且具有良好的可读性、流畅性和文本真实性。

    Aug, 2023