Mar, 2023

跨 GAN 审计：预训练生成模型属性层面的无监督相似性和差异性识别

HTML
PDF
TL;DR该论文提出一种名为Cross-GAN Auditing (xGA)的新型GAN审核工具，基于属性进行GAN模型比较和审核，并使用新的指标对该工具进行评估。实验结果表明，xGA优于基准方法，能够对在各种图像数据集上训练的GAN模型进行直观的类比和差异评估。
发现论文，激发创造
  • GAN是否平等？ 大规模研究

    这篇论文通过对多个GAN算法的大规模实验研究得出，大多数模型在经过足够的超参数优化和随机重启后可以达到类似的分数，建议未来的GAN研究应该基于更系统和客观的评估程序，同时提出了一些可用于计算精度和召回率的数据集。

    Nov, 2017

  • 使用训练所提供的分歧量来量化评估GANs

    本文通过使用通常仅用于培训的散度和距离函数来对各种类型的GAN性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。

    Mar, 2018

  • 增强型对抗生成网络正则化和规范化的大规模研究

    本文从实用角度出发，分析评估生成对抗网络的常见错误和可重现性问题，并提供预训练模型。

    Jul, 2018

  • GAN剖析：可视化并理解生成对抗网络

    本文提出了一种分析框架，旨在通过单元、对象和场景级别的可视化来理解生成对抗网络的内在表示，揭示其形成图像的因果关系，探究其结构选择对GAN学习的影响，提出了移除图像错乱因素的方法，并提供开源的理解工具。

    Nov, 2018

  • 使用交叉本地内在维度评估GAN的质量

    本文提出了一种基于GAN模型学习的数据空间的内在维度特征来评估GAN生成数据能力的方法，同时提出了一种新的评估度量CrossLID，并通过在4个基准图像数据集上的实验表明，与其他现有的评价指标相比，CrossLID更加敏锐，并且可以用于改善GAN的生成质量。

    May, 2019

  • 计算机视觉中的生成式对抗网络: 调查和分类

    对GAN领域中的高质量图像生成、图像生成的多样性和稳定训练等三个实际问题的研究进展进行了详细回顾和分类，同时讨论了GAN在计算机视觉中最成功的应用并提出了未来的研究方向。

    Jun, 2019

  • 包容性 GAN：在生成模型中改进数据和少数族裔覆盖率

    通过协调对抗训练和重构生成来提高数据覆盖率，并扩展了一个允许显式控制模型应该包含的少数群体的方法。

    Apr, 2020

  • 面向开放世界GAN生成图像的发现和归因

    通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。

    May, 2021

  • 生成对抗网络 (GANs) 的十年：最新技术综述

    生成对抗网络（GANs）是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了GANs的潜在架构、验证指标和应用领域，并探讨了GAN与Jensen-Shannon散度之间的深刻联系以及GAN框架的最优性特征。对GAN变体的效率、模型架构以及训练障碍和解决方案进行了评估，并详细讨论了GAN与Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后，揭示了该领域的若干问题和未来研究方向。

    Aug, 2023

  • 计算机视觉中生成对抗网络的理论进展年表

    生成对抗网络（GANs）已经成为计算机视觉领域的工作马，近年来在生成模型的研究中发挥了重要作用。这篇综述论文以时间顺序呈现了关于GAN的理论和应用的多个重要的里程碑研究工作，填补了现有综述中缺失的从时间角度出发解决多个GAN模型的挑战的方面。

    Nov, 2023