提高深度生成数据的效果
该论文提出了使用生成对抗网络生成综合数据集的新方法,并针对数据集的质量、多样性等问题提出了三种后处理技术,并引入了 GAP Filler 方法进行协调和优化,有效地提高了数据集在真实环境下的分类精度。
May, 2023
本研究通过对各种不同类型图像生成器的系统研究,探寻真实与虚假图像之间最具法医学意义的特征,发现合成图像中出现了可见的傅里叶域信号缺陷,以及自相关中出现的异常规律图案,并且当用于训练模型的数据集缺乏足够的多样性时,其偏见会转移到生成的图像中,观察了人造图像与真实图像之间较高频率信号内容的显著差异。
Apr, 2023
本文深入分析了使用不同比例的真实数据和合成数据来训练计算机视觉模型对模型鲁棒性和预测质量的影响,证明使用生成对抗网络生成高质量合成数据可以减轻深度学习模型面临的挑战。
Mar, 2023
通过在大型语言模型和 CLIP 的辅助下,使用生成模型生成合成训练图像来解决类名的歧义性、缺乏多样性的问题,并利用域适应技术和辅助批归一化来减轻领域偏移,以更好地提升模型识别性能。
Dec, 2023
本研究着眼于深入评估和比较对于机器学习的通用合成数据的对抗训练效果,并旨在使用未标记的真实数据条件下的合成 - 真实生成模型将合成图像转化为更真实的风格,并通过定性和定量指标进行广泛的性能评估和比较。
Apr, 2023
本文探讨了在不同概念类之间泛化的挑战,并提出了一种基于质量评估模型的质量抽样方法,通过 StyleGAN2 和 Latent Diffusion 生成的图像进行实验,结果表明采用本文提出的方法可以提高合成图像检测器的检测性能。
Apr, 2023
本研究提出了一种名为深度生成对齐网络(DGCAN)的深度生成模型,采用新颖的模型域对齐算法通过形状保持损失和低层次统计匹配损失来最小化合成图像和真实图像之间的深度特征空间差异,实验表明,将这些新生成的数据用于训练现成的分类器可以显著提高性能。
Jan, 2017
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性,然后通过频域分析伪造痕迹来得出各种见解,并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
本文研究了利用生成模型如 GANs 构建的合成影像,其在大脑肿瘤分割任务上与真实影像训练的性能差异,发现实验结果在一定数据量下合成影像可以很好地训练神经网络,而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。
Jun, 2023