通过局部评价器与多模态生成模型提升路径规划性能
该论文介绍了一种基于深度生成模型的采样策略,以解决受任务约束条件下的运动规划问题。研究使用两种深度生成模型 CVAE 和 CGAN 来生成满足约束条件的样本配置,并通过模拟和实验评估其采样准确性和采样分布的覆盖率。
Apr, 2022
本文介绍了一种基于 Gromov-Wasserstein 距离的生成式模型学习方法,可以在不同空间里学习并掌握目标特性,具有应用于流形学习、关系学习和跨域学习等任务的灵活性。
May, 2019
本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法,通过去除 L2 损失函数并使用多模态预测方式,成功避免了 GAN 中的 mode collapsing 和 dropping 问题,同时在真实数据和合成数据上的实验表明,该方法能够生成更多样化的预测结果,并且能够保留预测分布的模态。
Apr, 2019
本文提出一种基于条件瓦瑟斯坦生成对抗网络的优化拓扑结构方法,与传统算法相比,该方法计算代价极低,只需要通过深度卷积神经网络模拟限定拓扑优化条件的全局设计空间,且得到的优化方案可以得到验证。
Jan, 2019
本研究提出了一种新方法,用于通过生成式对抗网络(GAN)训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标,从而从联合对象形状分布中获得更好的生成效果,并在与现有基线比较中取得了明显的数量级改进。
Jul, 2017
本文探讨了用 WGAN-GP (Wasserstein GAN with Gradient Penalty) 建立推荐系统的应用,提出了一种基于 WGAN-GP 的推荐系统叫 CFWGAN-GP,实现了在实际数据集上的评测,结果竞争力与当下最先进的 GAN 方法相当,但从准确度角度来看,没有证据表明使用 WGAN-GP 比原 GAN 具有显著优势。此外,我们发现经过调整的概念上更简单的方法明显优于 GAN 模型,对此种模型的使用提出了疑议。
Apr, 2022
使用 Gan 神经网络以及 Hamiltonian 动力学模型,在无需预先设计结构假设的情况下,学习配置空间,并通过周期坐标损失函数提高可解释性,以在视频生成中实现高效和有优势的方法。
Aug, 2023
本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制,并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量,这一方法可以有效地优化潜在空间的优化等应用,并便于解释变换维度。
Jan, 2021
本文介绍了一种新的基于生成对抗网络的优化输运模型,使用 $2$-Wasserstein 距离度量判别器的目标函数,证明了在训练期间,生成器沿着初始和目标分布之间的 $W_2$- 测地线走,最终重现出最优映射,在低维和高维连续设置中进行验证,并证明其在图像数据上的性能优于以前的方法。
Jun, 2019