Aug, 2023

利用低质量样本提升连续条件生成对抗网络

PDF
TL;DR连续条件生成对抗网络（CcGANs）是在连续标量变量（称为回归标签）的条件下进行生成建模的，但由于训练数据有限，可能会产生低质量的假图像。本研究通过引入异常数据增强方法（NDA），特意针对 CcGANs 提出了一种名为 Dual-NDA 的创新性方法，包括两种类型的负样本，以显著提高 CcGANs 生成的假图像的视觉保真度和标签一致性，在性能上远优于传统的 NDA 方法。此外，通过应用 Dual-NDA，CcGANs 展现出比最先进的条件 GANs 和扩散模型更为显著的突破，达到了新的性能巅峰。
发现论文，激发创造
  • 负样本数据增强

    本文介绍了一种利用负数据增强策略来生成标准维度数据外的样本，探究这种样本对生成模型和表示学习的影响，并将其应用在生成模型和无监督学习任务中，最终提高了模型的表现。

    Feb, 2021

  • 无监督域自适应中的生成式伪标签精炼

    利用条件生成式对抗网络 (cGANs) 对其条件标签中的噪声天然具有的鲁棒性，研究并刻画了其主题和研究领域，并在无监督域适应 (UDA) 中利用这一特性。在这种情况下，一个经过训练的分类器可以用于推断出未标记的目标集上的伪标签。我们展示了 cGANs，在某种程度上可以对此类 “shift noise” 保持稳健性。

    Jan, 2020

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021

  • 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

  • DuDGAN：通过双扩散提高类条件 GAN 的效果

    提出了一种新的 GaN 方法 DuDGAN，通过采用双扩散噪声注入方法来实现类别有条件的图像生成。通过三个网络的联合训练，并对现有方法进行比较，实验结果表明，在性能方面，新方法优于现有条件 GAN 模型。

    May, 2023

  • 数据增强生成对抗网络

    本文提出了一种用于数据增强的生成对抗网络 (DAGAN) 模型，其可帮助神经网络在数据不足的情况下提高泛化能力，实验结果显示在 Omniglot、EMNIST 以及 VGG-Face 数据集中，使用 DAGAN 后精度显著提高，我们同时还使用 DAGAN 增强了匹配网络 (Matching Networks) 的性能。

    Nov, 2017

  • 小样本基于 GAN 的数据增强中的偏差探究

    本研究探讨了生成对抗网络（GAN）的数据增强中的偏见问题，通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见，并最终提出了一些应对方案以减缓偏见对模型性能的影响。

    May, 2019

  • T-CGAN: 一种用于非规则采样噪声时间序列数据增强的条件生成式对抗网络

    本文提出了一种数据增强方法 Time-Conditional Generative Adversarial Network (T-CGAN)，通过条件生成对抗网络生成新的时间序列，对比其他数据增强技术，得到了更好的分类效果。

    Nov, 2018

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019