Jan, 2024

更快的投影生成对抗网络：迈向更快的少样本图像生成

PDF
TL;DR提出了一种名为 Faster Projected GAN 的改进 GAN 网络模型，主要集中在 Projected GAN 生成器的改善上。通过引入深度可分离卷积（DSC），减少了参数数量、加快了训练速度，并节省了内存。实验证明，在少样本图像生成任务中取得了显著的训练速度提升，如地震场景等特殊场景的生成。
gan networkfaster projected gandepth separable convolutiontraining speedmemory saving
发现论文，激发创造
  • 投影 GAN 更快收敛

    本文提出了一种基于预训练特征空间的投影生成对抗网络（GAN）来改善 GAN 的训练难度，通过将所生成的和真实样本投影到该空间中，激活深层特征，并混合深层特征中的通道和分辨率，从而提高图像质量和训练速度，并成功地将 Frechet Inception Distance （FID）值在 22 个基准数据集上进一步提高，同时加快了训练速度。

    Nov, 2021

  • 风格化投影 GAN：一种快速且逼真的图像生成新结构

    利用转移学习将生成和真实样本投影到预训练的特征空间中，提出了优化后的结构化投影生成式对抗网络 Stylized Projected GANs，用于解决生成图像中出现的问题。

    Jul, 2023

  • DepthwiseGANs：用于逼真图像合成的快速训练生成对抗网络

    本篇论文探讨了使用 DepthwiseGAN 架构生成逼真图像的方法，并通过 Fréchet Inception Distance 对生成数据质量进行了评估。结果表明，DepthwiseGAN 可以在较短的训练期间内生成逼真的图像，但是模型容量对于生成建模仍然具有重要作用。

    Mar, 2019

  • 面向高保真度小样本图像合成的更快更稳定的 GAN 训练

    本文提出了一种轻量级的 GAN 结构，通过跳过层通道智能激发模块和自监督判别器训练作为特征编码器，实现少量样本进行高保真度图像的合成与生成。与 StyleGAN2 相比，本模型在数据和计算预算有限的情况下具有卓越的性能表现。

    Jan, 2021

  • 生成对抗网络的小样本迁移学习

    该研究提出 Few-Shot GAN (FSGAN)，通过组件分析和学习预训练模型的奇异值，而固定奇异向量，以在少于 100 张图像的情况下进行 GAN 适应。在 5-100 张图像的挑战性少样本设置中，与现有的 GAN 适应方法相比，FSGAN 实现了显著的视觉质量提高。

    Oct, 2020

  • F2GAN: 融合与填充 GAN 用于少样本图像生成

    本文提出了一种融合填充生成对抗网络（F2GAN）来解决少样本图像生成问题，该方法通过图像融合和填充细节，并通过鉴别器中的多模式寻求损失以及插值回归损失来保证生成图像的多样性。实验结果表明，该方法在 5 个数据集上的表现优异。

    Aug, 2020

  • 渐进式增长 GAN 以提高质量、稳定性和变化性

    通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

    Oct, 2017

  • 快速收敛用于图像合成的条件生成对抗网络

    在真 / 假分类器基础上，通过增加高级辅助分类器，引入一个额外的 “假” 类来避免混淆生成和真实数据，从而实现快速收敛条件下的图像合成

    May, 2018

  • E$^{2}$GAN: 图像到图像翻译的高效 GAN 训练

    通过利用大规模的文本到图像扩散模型进行数据提炼，我们提出了一种更高效的方法，通过精细调整通用化特征的基础生成对抗网络模型，而不是重新训练整个基础模型，并采用简单但有效的秩搜索过程来进行低秩适应，从而显著减少了培训成本和与每个概念相关的存储，使得移动设备能够高效地实现实时高质量的图像编辑。

    Jan, 2024

  • 使用多个随机投影稳定 GAN 训练

    本文提出了一种针对高维度情况下 GAN 训练不稳定的方法，即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度，实验结果表明该方法能够生成较高质量的图像样本。

    May, 2017