May, 2023

基于条件生成对抗网络的小样本持续学习

HTML
PDF
TL;DR本论文提出了一种基于新的模式亲和力度量的条件生成对抗网络（conditional generative adversarial networks，cGAN）的新连续学习方法，该方法可以在限制样本的情况下学习到目标模式，同时不会对之前学习到的模式造成不利影响；论文采用模拟回放方法不断生成 labeled data 样本，并利用加权标签将目标模式纳入连续学习模型，实现预防灾难性遗忘的目标，实验结果表明该方法在利用更少在训练样本的情况下，比基线模型和现有技术手段显著提高了模型的生成效果。
发现论文，激发创造
  • 生成对抗网络中的持续学习

    通过减少灾难性遗忘，本研究将最新工作应用于在一系列不同分布的序列上训练生成对抗网络并实现连续生成建模。

    May, 2017

  • 鲁棒性条件生成对抗网络

    该研究介绍了一种名为RoCGAN的新型条件GAN模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN在各种领域的表现都远优于现有的最先进的cGAN架构。

    May, 2018

  • 记忆重播生成对抗网络：学习生成新类别图像而不遗忘

    本文针对生成模型中的遗忘问题，提出了一种称作Memory Replay GANs (MeRGANs)的有条件生成对抗网络框架，通过集成记忆重现生成器来缓解前几类的遗忘，在MNIST、SVHN和LSUN数据集上的实验结果表明，该记忆重现方法能够生成较竞争力的图像，同时显著减轻遗忘的前几类。

    Sep, 2018

  • 从持续学习的角度看生成模型

    本文比较评估了不同生成模型在连续学习时的适用性，主要研究了不同策略下生成模型的记忆及生成质量表现，结论为原始 GAN 模型表现最优，而 generative replay 策略最优。

    Dec, 2018

  • 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

  • 基于模式寻找的生成对抗网络用于多样化图像合成

    本文介绍了在条件生成任务中通过正则化来处理 cGAN 模型中的 mode collapse 问题，提出了一种简单而有效的正则化项，最大化图像生成的潜在编码距离的比例以增加模型探索轻微模式的能力，此正则化方法可广泛应用于各种不同的条件生成任务中，不会增加训练负担或修改现有的网络结构，实验证明该方法在提高多样性方面效果显著。

    Mar, 2019

  • 终身 GAN: 面向条件图像生成的持续学习

    本文研究了生成模型中的终身学习问题，提出了一种使用知识蒸馏的解决方案，可以在保持之前任务能力不变的同时完成新的任务，该方法适用于不同的有条件图像生成设置。

    Jul, 2019

  • 有限数据条件下的类别条件GAN训练：通过条件折叠实现

    本论文研究了基于离散输入变量的生成式对抗网络（GAN）的分类条件控制（Class-conditioning），提出了一种解决有限数据设置下模式坍塌（Mode-collapse）问题的训练策略，并在四个数据集上进行了全面的实验，结果表明该方法在训练稳定性和生成高质量图像方面具有优异的性能，并与基线模型和最先进方法相比得到了出色的结果。

    Jan, 2022

  • LFS-GAN: 终身少样本图像生成

    提出了一种名为LFS-GAN的框架，用于解决在终身少样本图像生成任务中遇到的灾难性遗忘和过拟合问题，并通过引入LeFT和模式寻求损失方法实现了高质量、多样性图像生成，成为同领域的最新研究成果。

    Aug, 2023

  • 类原型条件扩散模型用于生成回放的持续学习

    通过生成模型提高图像质量以减少分类器中的灾难性遗忘，我们提出了基于类原型的条件扩散模型（CPDM），它通过在扩散模型的去噪过程中集成可学习的类原型来保持图像生成质量，并缓解了灾难性遗忘的风险。

    Dec, 2023