现代 GAN 模型的有趣特性
通过训练 GAN 在人工数据集上,我们发现混合多个 GANs 相比于使用更深、更宽、更复杂的单个生成器会获得更好的结果。在 CIFAR-10 数据集上,我们的方法在流行的指标(IS 和 FID)上明显优于现有技术的表现。
Jul, 2020
本文研究了 GAN 模型难以正确模拟支持在不连通流形上的分布的问题,并提出了使用多个生成器来解决这个问题的方法,并提出了一种新的方法来学习先验分布,并在不需要人工干预的情况下推断所需的生成器数量,以使模型可以学习支持在不连通流形上的分布。本文的贡献包括证明单一生成器 GAN 模型难以正确模拟支持在不连通流形上的分布以及提出了解决这个问题的方法,并通过实验来验证所提出的方法的有效性。
Jun, 2018
研究 GANS 是否可以准确学习目标分布,发现当判别器具有有限大小时,GAN 的训练目标可能无法防止模态崩溃。通过基于生日悖论的新测试方法,提供了实证证据证明当前的 GAN 方法不能完全学习目标分布的任何支持度数量的分布。
Jun, 2017
本文提出了一种改进样本质量的新方法:在模型训练之前通过实例选择来改善经验数据分布,将模型容量重定向到高密度区域,从而提高样本保真度,降低模型容量要求和显著减少训练时间。
Jul, 2020
本文提出了一种基于对抗生成网络的模型 GM-GAN,其中对概率分布进行了控制,使得模型在高维度多样化数据集上的表现得以提高,并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。
Aug, 2018
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
本研究探讨了生成对抗网络中的潜在分布问题,特别是在学习一个不连续的流形集合时。通过建立不连续流形学习的免费午餐定理,提出了用生成器雅可比的范数导出拒绝抽样方法,在 BigGAN 等生成器上取得了效果优异的结果。
Jun, 2020
本文研究了生成对抗网络(GAN)如何从有限样本中学习概率分布,得到了 GAN 在一组 H"older 类定义的积分概率度量下的收敛速度和 Wasserstein 距离特殊情况下的学习率,并证明了当网络结构适当选择时,GAN 能够自适应地学习低维结构或具有 H"older 密度的数据分布。特别是对于集中在低维集合周围的分布,我们展示了 GAN 的学习速率不取决于高环境维度,而取决于较低的内在维度。我们的分析基于一种新的神谕不等式,将估计误差分解为生成器和鉴别器逼近误差和统计误差,这可能是具有独立研究价值的。
May, 2021
通过对分布优化的角度重温和定义 DE-GAN,将现有方法分类为数据选择、GANs 优化和知识共享三个类别,总结了 Data-Efficient GANs 的特性、挑战与解决方案,并试图突出当下问题和未来方向。
Apr, 2022
本文在生成对抗网络中引入流形学习方法来打磨辨别器,考虑局部约束线性和基于子空间的流形以及局部约束的非线性流形,利用流形学习和编码的设计将中间特征表示映射到流形上,并通过协调特征表示和流形视图之间的差异性,实现去噪和流形精细化的两难平衡,并在实验中发现局部约束的非线性流形优于线性流形,性能也明显优于现有的基线算法。
Dec, 2021