Jul, 2023

EqGAN: 特征均衡融合用于少样本图像生成

PDF
TL;DR为了解决现有融合式少样本图像生成方法在生成质量和多样性上的不足，我们提出了一种新颖的特征均衡融合生成对抗网络（EqGAN）来进行少样本图像生成。通过将编码特征解耦为浅层内容和深层内容，并使用两个独立分支分别融合结构和纹理，我们能够在各个特征层次上细化图像内容，通过跳跃连接为解码器提供更丰富的信息。通过等化不同尺度的融合结构和纹理语义，并通过一致性等化损失将等化特征与解码器的中间输出进一步对齐，以解决融合结构和纹理可能不一致的问题。在三个公开数据集上的综合实验证明，EqGAN 不仅在 FID 分数（最高提升 32.7%）和 LPIPS 分数（最高提升 4.19%）方面显著提高了生成性能，还在下游分类任务的准确性方面超过了现有最优方法（最高提升 1.97%）。
few-shot image generationfusion-based methodsfeature equalization fusion generative adversarial network (eqgan)fusion strategiesgeneration performance
发现论文，激发创造
  • F2GAN: 融合与填充 GAN 用于少样本图像生成

    本文提出了一种融合填充生成对抗网络（F2GAN）来解决少样本图像生成问题，该方法通过图像融合和填充细节，并通过鉴别器中的多模式寻求损失以及插值回归损失来保证生成图像的多样性。实验结果表明，该方法在 5 个数据集上的表现优异。

    Aug, 2020

  • 特征量化改进 GAN 训练

    本论文提出了一种对于 GAN 不稳定问题的解决方法，即对鉴别器采用 Feature Quantization（特征量化）进行特征匹配，该方法可以提升基于大规模复杂图像数据集的三种 GAN 模型的表现，使得 FID 分数获得大幅提升。

    Apr, 2020

  • EGAIN: 扩展的 GAN 逆向

    基于 EGAIN 架构的 GAN 逆向模型能够重构出真实面部图像的语义结构，具有优于现有模型的重建质量。

    Dec, 2023

  • DF-GAN: 一个简单有效的文本到图像合成基线

    该研究论文提出了一种名为 DF-GAN 的新型深度融合生成对抗网络，用于更加高效地合成与文本相匹配的高质量真实图片，并在广泛使用的数据集上取得更好的性能。

    Aug, 2020

  • 多层特征融合的尺度均衡

    通过注入尺度均衡器来解决平行分支多级特征之间的尺度失衡问题，并在各种数据集和解码器选择中提高了平均交并比指数。

    Feb, 2024

  • 基于生成对抗网络的无监督深度图像增强技术

    本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

    Dec, 2020

  • 用于零样本学习的特征生成网络

    该研究提出使用生成对抗网络（GAN）来 “合成” 零样本类别的 CNN（卷积神经网络）特征，从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明，该方法在多个数据集上的表现均显著优于现有方法。

    Dec, 2017

  • 双层特征对齐用于多功能图像翻译和操作

    本文介绍了一种新的图像翻译和操作框架，通过明确地建立一种对应关系，在图像生成中实现准确的语义和风格引导，并设计了一个新的特征对齐策略，解决了建立密集对应关系所引发的计算复杂度问题。

    Jul, 2021

  • WaveGAN：面向高保真少样本图像生成的频率感知 GAN

    提出了 WaveGAN，一种面向少样本图像生成的频率感知模型，通过对多个频率组件的编码特征进行解耦，并通过低频跳过连接和高频跳过连接来生成高质量的图像，实验证明其在三个数据集上均取得了最先进的效果。

    Jul, 2022

  • 对 Few-shot 图像生成技术的深入研究

    在小目标数据上进行预训练的 GANs 会在生成图像时出现重复样本的问题，研究者提出了几种方法来解决这个问题，但当前缺乏一个统一的分析框架。该论文提出了一个框架来分析现有方法，并发现某些方法过于注重多样性维护，反而抑制了图像质量的提高。在此基础上，研究者提出了一种双重对比学习的方法来缓解多样性退化问题，实验结果表明该方法取得了较好的性能。

    May, 2022