Spider GAN：利用友好邻居加速 GAN 训练

CVPRMay, 2023

Spider GAN：利用友好邻居加速 GAN 训练

Spider GAN: Leveraging Friendly Neighbors to Accelerate GAN Training

Siddarth Asokan, Chandra Sekhar Seelamantula

TL;DR本篇论文提出了一种名为 Spider GAN 的生成对抗网络训练方法，通过识别相关数据集或目标分布的 “友好邻居” 来建立图像结构，使用新的测量方式 Signed Inception Distance (SID) 来定义 friendly neighborhoods，实现了传输学习并取得了最先进的 Frechet inception distance (FID) 值。

Abstract

Training generative adversarial networks (GANs) stably is a challenging task. The generator in GANs transform noise vectors, typically Gaussian distributed, into realistic data such as images. In this paper, we p

generative adversarial networks images spider gan signed inception distance transfer learning

发现论文，激发创造

生成对抗网络中 FID 和 SID 指标的评估

使用公共数据集对图像处理中的生成对抗网络（GAN）模型进行训练和评估，发现使用 SID 指标能够有效衡量模型的生成性能，超过或者与使用 FID 指标相当。

Feb, 2024

邻居嵌入和梯度匹配改进生成对抗网络

提出了两种新的技术来训练生成对抗网络（GANs），旨在减轻 GAN 中的模式崩溃问题并提高生成样本的质量，通过邻居嵌入和梯度匹配技术，可以显式保留潜在样本的局部结构，从而降低模式崩溃风险，并取得了在 1D / 2D synthetic、CIFAR-10 和 STL-10 数据集上优异的结果。

Nov, 2018

文本到图像合成中的语义关联对抗学习

本研究提出了一种新的方法，改进了生成对抗网络（GANs）训练的能力，可以根据文本输入合成多样的图像，这种方法基于条件版本的 GANs，扩展了前人利用判别器中的辅助任务，通过负样本采样来构造积极和消极的训练样例，通过牛津 102 花卉数据集的实验结果表明，生成的图像更具多样性，特别是当负样本逐渐靠近语义空间中的积极样本时。

Dec, 2018

生成式对抗网络实现的深度语义哈希

本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

Apr, 2018

生成对抗网络的 “可操控性

该论文研究了生成模型的视觉泛移能力，发现虽然目前的生成对抗网络（GAN）可以很好地拟合标准数据集，但它们仍然没有成为视觉流形的全面模型。同时，研究者还发现这些模型反映了训练数据集的偏差，并提出了一些缓解问题的技术。

Jul, 2019

放弃 GAN：支持最近邻补丁作为单图像生成模型

本文提出了一种不需要训练的基于补丁的优化框架，比单个图像 GAN 方法快 1000~10000 倍，并产生比任何以前的方法（无论是基于 GAN 还是基于经典补丁的方法）更优越的结果和更真实的整体结构，应用广泛，如图像编辑和重塑大小。

Mar, 2021

GANE: 生成对抗网络嵌入

本文提出了一种使用基于对抗生成网络的方法进行网络嵌入的模型，通过引入 Wasserstein-1 距离和三种不同的变体来解决无监督学习和有监督学习之间的鸿沟，实现在低维嵌入向量空间中保留网络中的第一和第二阶接近度，实验结果表明，在链接预测、可视化和聚类任务中，我们的模型始终优于现有技术，并有显著的改进。

May, 2018

稀疏归纳生成对抗哈希用于最近邻搜索

本文提出了一种新的非监督哈希方法，称为稀疏诱导生成对抗哈希（SiGAH），通过生成对抗训练框架将大规模高维特征编码为二进制代码，从而解决了已有哈希存在的量化损失问题和数据分布不一致问题。实验结果表明，该方法在 Tiny100K、GIST1M、Deep1M 和 MNIST 四个基准数据集上的性能均优于现有最先进方法。

Jun, 2023

大规模 GAN 训练的高保真自然图像合成

本文介绍了使用生成式对抗网络和正交正则化训练的大规模条件图片生成方法，并提出了一种截断技巧来控制生成器输入方差，从而在生成高保真度和多样化样本方面实现平衡。该方法应用于 ImageNet 数据集上，在 128x128 分辨率下，IS（Inception Score）为 166.5，FID（Frechet Inception Distance）为 7.4，表现超过之前的方法。

Sep, 2018

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