Dec, 2023

基于距离引导的生成对抗网络用于解释性二元分类

PDF
TL;DR通过距离引导生成对抗网络（DisGAN）控制生成样本的变化程度，改善数据不足问题和描述二元分类决策边界的限制性，所提出的方法优于传统数据增强方法，适用于可解释的二元分类，并具有扩展成多类分类的潜力。
data augmentationgenerative adversarial networksdecision boundariesdistance guided ganbinary classification
发现论文，激发创造
  • 使用循环投影的参数化生成对抗网络用于可解释的医学图像分类

    本研究提出了一种名为 ParaGAN 的参数化生成对抗网络，用于控制不同领域合成样本的变化，并强调下游分类任务中的关注区域。实验证明，ParaGAN 能在两个小规模医学数据集上以可解释的分类结果持续优于现有的数据增强方法。

    Nov, 2023

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 边界搜索生成对抗网络

    提出了一种用于离散数据训练生成式对抗网络（GANs）的方法，称为边界寻找 GANs（BGANs）。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重，为训练生成器提供了策略梯度，并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外，目标函数可以扩展到连续的数据集，可用于提高训练的稳定性，并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上，该方法的实用性。

    Feb, 2017

  • Dist-GAN：使用距离约束改进的 GAN

    通过引入自动编码器并提出两个新的距离约束条件，有效地解决了生成对抗网络中的模式崩溃和梯度消失问题，并通过 Dist-GAN 在多个基准数据集上取得了比最先进方法更好的结果。

    Mar, 2018

  • 基于注意力引导的生成对抗网络的无监督图像转换

    本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

    Mar, 2019

  • 对抗性特征增强用于无监督域适应

    本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

    Nov, 2017

  • 生成敌对网络用于视频到视频的域自适应

    本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

    Apr, 2020

  • 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

  • medXGAN：通过生成潜在空间的视觉解释来获得医疗分类器

    本篇研究提出了 MedXGAN，一种新型医学影像生成敌对网络框架，通过编码医学影像领域知识，能够梳理出解剖结构和病理，从而实现隐变量插值的精细可视化。并且其在定位和解释方面表现优于 Gradient-Weighted Class Activation Mapping 和 Integrated Gradients 等基线方法。

    Apr, 2022

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018