使用分支 GAN 生成叠加类别分割图
提出了分类器后验 GAN(CP-GAN),它通过将分类器的后验融入生成器输入并优化生成器来实现,以实现捕捉类别之间的关系并有选择地生成图像。
Nov, 2018
我们提出了一种高分辨率的语义图像合成方法,它由基本图像生成器和多个类别特定生成器组成。使用类特定模型的生成器进行独立训练,可以产生高质量的高分辨率图像,同时具有对象级别控制的灵活性。
Oct, 2021
本研究提出了一种基于信息生成对抗网络和对比学习的无监督细粒度图像聚类方法,旨在学习特征表示,促进数据集在嵌入空间中形成明显的聚类边界,同时最大化潜在编码与图像观测之间的互信息。实验结果表明,该方法在四个细粒度图像数据集上实现了最先进的聚类性能,同时缓解了模式崩溃现象。
Dec, 2021
本文提出了一种对物体进行语义操纵的新的生成对抗网络方法,使用对比对抗目标而不是直接将合成样本接近目标数据,以生成具有高可视度和合理的对象语义的操作结果,并在多个语义操作任务上展示了我们的模型的优越性。
Aug, 2017
通过基于生成对抗网络的数据增强协议,我们在像素级别和全局信息水平上对网络进行调节,以控制合成图像的外观,从而解决医学图像领域中被数据稀缺限制的问题,并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。
Apr, 2020
提出了一种简单而有效的无监督方法,通过使用聚类方法自动地生成类别标签,来训练条件生成对抗网络模型(GAN 模型)生成多样而逼真的图像,这种方法在处理模式崩溃方面表现优异,同时在 ImageNet 和 Places365 等大规模数据集上产生多样化的图像,比以前的方法提高了标准的质量指标。
Jun, 2020
本研究使用生成对抗网络(GAN)通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像,结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。
Mar, 2019
本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络(GANs)框架,并着重讨论了 GANs 的两个应用程序:半监督学习和图像生成。使用我们的技术,我们在 MNIST,CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果,并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本,呈现出 ImageNet 类可识别特征的学习过程。
Jun, 2016
为了解决在密集区域 50% 的混合星系图像问题,我们提出了一种基于分支生成对抗网络的新型解混方法,并通过数据演示其高准确性、高峰值信噪比和结构相似得分,适用于未来大规模调查所需的海量数据处理。
Oct, 2018
提出了一种新颖的 ECGAN 用于具有挑战性的语义图像合成任务,通过使用边缘作为中间表示,并采用注意力引导的边缘传输模块进行图像生成,设计了一个有效的模块来选择性地突出显示根据原始语义布局的类依赖特征图,通过对比学习方法和多尺度对比学习方法,强化了同一语义类别的像素嵌入生成更相似的图像内容,并利用多个输入语义布局的标记像素结构来明确地探索更多的语义关系。
Jul, 2023