Jun, 2023

GANs 解决分数！

PDF
TL;DR本文提出了一种基于变分分析的生成对抗网络（GAN）的统一方法，讨论了在 $f$-divergence-minimizing GANs 和 IPM GANs 中的最优生成器，展示了基于分数匹配和流匹配的训练方法，以及判别器引导 Langevin 采样方法。
generative adversarial networksgansscore-based training$f$-divergence-minimizingipm-gan optimization
发现论文，激发创造
  • 关于 $(f,Γ)$-GAN 的浓度不等式

    GANs 的统计一致性研究：通过导出有限样本集中不等式，扩展了 $(f,\Gamma)$-GANs 理论的适用领域，同时在适当的极限情况下，与基于积分概率度量的 GANs 结果相符，并展现出在多个应用中提供提升性能的能力。

    Jun, 2024

  • Fisher GAN

    本文提出 Fisher GAN 并在图像生成和半监督分类中验证了其可靠性，Fisher GAN 是一种在 Integral Probability Metrics 框架内的 GAN 训练方法，其判别器使用了数据相关的约束。

    May, 2017

  • 生成对抗网络：超越散度最小化

    本研究讨论了与 G（生成器）相关的大多数损失函数的属性，表明这些损失函数并不是发散的，并且不具有发散的期望平衡。研究结果显示， GANs 不符合发散最小化理论，并且形成了比先前假设的模型更广泛的模型范围。

    Sep, 2018

  • 基于 IPM 的 GAN 的半监督学习：一个实证研究

    本文探讨了基于积分概率度量的生成式对抗网络在半监督学习中的性能，研究表明，对判别器结构的设计能够提高性能，尤其避免使用批归一化和梯度惩罚限制等方法能够提高模型性能。

    Dec, 2017

  • GAN 的判别器可近似性意味着多样性

    本文研究发现，通过针对特定生成器选择具有强鉴别能力的鉴别器以学习 Wasserstein 距离下（或者在很多情况下是 KL 散度下）的分布，一定能以多项式复杂度学习，从而解决了 GANs 过于简单导致模式严重缺失的问题。

    Jun, 2018

  • GAN 的凸对偶框架

    本文介绍了一种用于分析生成对抗网络的凸对偶框架，提出在约束条件为凸集时，通过最小化生成模型与经过判别器的数据分布匹配但是被期望的矩所限制的分布的 JS 散度，来得到生成模型。同时，将此框架应用于 f-GAN 和 Wasserstein GAN 网络，提出了一种新的混合 JS 散度和 Wasserstein 距离的分布度量用于正则化中。

    Oct, 2018

  • Gang of GANs：带有最大间隔排名的生成对抗网络

    本研究提出了 Gang of GANs (GoGAN) 方法，将 WGAN 的鉴别器损失推广到基于边界的方法，实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题，并采用一种新的 GAN 质量测量方式，并在四个视觉数据集上进行了评估，相较于 WGAN 有了视觉和定量的改进。

    Apr, 2017

  • 生成对抗模型的组合功能梯度学习

    本文提出了一种不依赖于传统极小 - 极大公式的生成式对抗方法理论，并展示了当存在强的辨别器时，通过每个功能性梯度步骤，可以学到一个好的生成器，使得真实数据和生成数据的分布的 KL 散度改善，直到收敛于零，并基于该理论，提出了一种新的稳定的生成式对抗方法，同时提供了从这个新的视角对原始 GAN 的理论洞见，最终，针对图像生成的实验展示了我们的新方法的有效性。

    Jan, 2018

  • 将 GAN 和基于分数扩散的生成粒子模型统一

    本文提出了一个将生成模型的训练视为粒子模型推广的新框架，将粒子模型和对抗生成模型统一起来，并在实际模型中进行了测试。

    May, 2023

  • 隐式生成模型中的学习

    本文介绍了生成对抗网络（GANs）的算法框架，将其与隐式生成模型的学习算法相联系，提出了基于密度比估计的方法并借此引导观察者更深层次地思考生成模型。

    Oct, 2016