深度学习网络在图像生成中是否必要?
本文介绍了如何利用自监督学习和半监督学习等技术结合生成式对抗网络,实现在仅使用少量标签数据的情况下,超越当前最先进的深度生成模型,并在 ImageNet 的无监督合成和有条件的情况下,匹配 BigGAN 模型的样本质量。
Mar, 2019
本文研究了 GANs 在图像统计建模方面与 Gaussian 混合模型的效果,结果表明,GMM 能够生成逼真的图像,同时也能够捕捉到 Gans 无法捕捉到的分布特征,为图像生成提供了一种有效而全面的统计学方法。
May, 2018
使用深度学习、高斯混合模型和卷积神经网络方法,本研究提出了一种可以快速预测标签概率的图像分割方法,并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点,通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。
Apr, 2024
本文研究了深度卷积神经网络用于图像生成和修复的方法,以及使用神经网络作为手工先验的能力,展示了这种方法在标准的逆问题中的卓越效果以及在检测深度神经网络表示和基于闪光和非闪光输入对图像进行修复方面的同等效果。
Nov, 2017
该论文研究了无监督学习中生成模型的训练方法,提出了一种在对抗网络与似然训练之间进行混合训练的方法,其中使用深度可逆变换来解决概率和逆变换之间的冲突,实现了更好的生成样本和更高的似然性评估。
Jan, 2019
提出了一种基于无监督多视图生成模型的条件变体,可在高维空间中生成各种物体的逼真样本,相比于其他条件生成方法,我们不会对变差因素做任何假设,不需要视图的监督。
Nov, 2017
本文介绍了自然图像的一种先验算法 —— 深度图像先验,它使用卷积神经网络对随机输入进行输出,通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论,该算法渐近等于一个平稳的高斯过程,这启发了贝叶斯推断的方法。通过使用随机梯度 Langevin 对后验推断实现去除过早终止的需要,并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。
Apr, 2019