应用非条件训练在较低分辨率上进行的知识共享，驯服类条件 GAN 中的尾巴

Feb, 2024

应用非条件训练在较低分辨率上进行的知识共享，驯服类条件 GAN 中的尾巴

Taming the Tail in Class-Conditional GANs: Knowledge Sharing via Unconditional Training at Lower Resolutions

Saeed Khorram, Mingqi Jiang, Mohamad Shahbazi, Mohamad H. Danesh, Li Fuxin

TL;DR我们提出了一种针对长尾数据的类条件生成对抗网络 (class-conditional GANs) 的训练改进方法，通过知识共享使尾部类别能够借用丰富信息的优秀类别，实验证明在生成图像的多样性和质量方面相较于现有方法有显著提升。

Abstract

Despite the extensive research on training generative adversarial networks (GANs) with limited training data, learning to generate images from long-tailed training distributions remains fairly unexplored. In the presence of imbalanced multi-class training data, GANs tend to favor class

generative adversarial networks long-tailed training distributions class-conditional gans knowledge sharing diversity and fidelity

发现论文，激发创造

有限数据条件下的类别条件 GAN 训练：通过条件折叠实现

本论文研究了基于离散输入变量的生成式对抗网络（GAN）的分类条件控制（Class-conditioning），提出了一种解决有限数据设置下模式坍塌（Mode-collapse）问题的训练策略，并在四个数据集上进行了全面的实验，结果表明该方法在训练稳定性和生成高质量图像方面具有优异的性能，并与基线模型和最先进方法相比得到了出色的结果。

Jan, 2022

通过群谱正则化改进长尾数据的 GAN

本文旨在探讨如何解决长尾分布下的影像生成问题，在对类别分布不均衡的尾部类别生成图像时，提出了一种基于条件生成对抗网络和组谱正则化（gSR）的解决方法，并得到了实验验证。

Aug, 2022

长尾学习中的平衡知识蒸馏

提出了一种平衡知识蒸馏（BKD）框架，通过实例平衡分类损失和类平衡蒸馏损失的组合来训练学生模型，并成功地解决了长尾学习中模型在尾部类上的性能问题和在头部的性能问题之间的矛盾，使学生模型比教师模型有了显著的性能提升。

Apr, 2021

使用超调制将无条件 GAN 转化为有条件 GAN

本论文旨在通过构建超调制生成网络，利用先前训练好的非泛化 GANs 来实现对条件 GANs 的迁移学习，提高训练的效率和样本利用率，并运用对比学习进一步提高判别器的性能。

Dec, 2021

长尾识别的表示与分类器解耦

本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

Oct, 2019

长尾数据的特征空间增强

本文提出了一种新方法，通过在特征空间中使用来自具有丰富样本的类别所学习的特征来增强特征空间中的欠表示类别，从而解决长尾分布问题。通过使用类别激活映射，将每个类别的特征分解为类别通用和类别特定部分，并将欠表示类别的类别特定特征与混淆类别的类别通用特征融合，实时生成新样本。结果表明，在 iNaturalist、ImageNet-LT、Places-LT 以及 CIFAR 的长尾版本等数据集上，本文所提出的方法展现了最先进的表现水平。

Aug, 2020

ResLT: 面向长尾识别的残差学习

本研究提出通过保留特定类别低频率的能力，并设计了一种有效的残差融合机制来缓解极不平衡数据分布的深度学习算法应用长尾数据分布时普遍存在的问题，通过在参数空间的角度来解决长尾识别问题，并在多个基准数据集上进行了测试，证明了方法的有效性。

Jan, 2021

从域自适应的角度重新思考针对长尾视觉识别的类别平衡方法

本文从领域自适应的角度分析了分类中长尾类别分布的问题，提出了基于元学习的显式估计类别条件分布差异的方案，并在六个基准数据集和三个损失函数上进行了验证。

Mar, 2020

从头到尾传递知识：长尾分布下的不确定性校准

本论文研究如何从长尾分布的样本中训练模型并校准，利用知识转移和重要性权重估算方法，将尾部类别的目标概率密度适应地从头部类别中传输，实现了长尾分布校准，并在多个数据集上证实了该方法的有效性。

Apr, 2023

通过特征空间增强和迭代学习实现长尾图像生成

基于稀疏嵌入和 K-NN 方法，我们提出了一种基于预训练的稳定扩散模型的图像增强方法，以解决图像生成中的数据不平衡问题。

May, 2024