Mar, 2024

图像合成个性化的生成式主动学习

PDF
TL;DR该研究提出了一项旨在将传统上应用于判别模型背景下的主动学习方法应用于生成模型的试点研究，重点关注图像合成个性化任务。通过引入锚定方向的概念，将查询过程转化为半开放问题，并提出了一种基于方向的不确定性采样策略来实现生成式主动学习并解决开发 - 探索的问题。通过大量实验验证了我们方法的有效性，表明开源模型在性能上可以比大公司开发的封闭模型（如 Google 的 StyleDrop）取得更好的结果。
发现论文，激发创造
  • 生成对抗主动学习

    本研究提出了一种通过使用生成式对抗网络 (GAN) 实现的新型主动学习方法，通过根据不确定性原理生成查询来增加学习速度，我们的方法可以与其他主动学习原理一起使用；我们报告了各种数值实验的结果以证明所提出的方法的有效性。在某些情况下，该算法的效果优于传统的基于池的方法。据我们所知，这是第一个使用 GAN 实现的主动学习方法。

    Feb, 2017

  • 贝叶斯生成主动深度学习

    本文提出一种贝叶斯生成主动深度学习方法，将主动学习与数据增强相结合，通过在 MNIST、CIFAR-10/100 和 SVHN 数据集上进行训练和分类实验证明，此方法具有更高效的训练和更好的分类结果。

    Apr, 2019

  • 图像分类的主动生成

    该论文提出了一种名为 ActGen 的方法，旨在提高图像生成的效率，并通过将生成的图像纳入训练集来增强模型性能。通过使用真实图像作为引导，在扩散模型的去噪过程中，引入了一种注重图像引导的技术，并利用模型对类别提示的关注来确保类似前景对象的保留性，同时增加背景的多样性。此外，还引入了一种基于梯度的生成引导方法，用两种损失生成更具挑战性的样本，并防止生成的图像与之前生成的图像过于相似。在 CIFAR 和 ImageNet 数据集上进行的实验结果表明，该方法在产生的图像数量显著减少的同时，实现了更好的性能。

    Mar, 2024

  • 用于图像分类的主动生成对抗网络

    本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

    Jun, 2019

  • 长尾实例分割的生成式主动学习

    本文探讨了如何在长尾实例分割任务中专门对生成数据执行主动学习，并提出了一种新的基于梯度缓存的算法 BSGAL，可以有效处理无限的生成数据和复杂的下游分割任务。实验证明，BSGAL 优于基线方法，有效提高了长尾分割的性能。

    Jun, 2024

  • 使用深度生成模型进行姿势引导的时尚图像合成

    本文提出了一种基于新颖的深度生成模型的图像迁移方法，可以在保持服装一致的情况下将一个人的图像从一个给定的姿势转移至一个新的姿势，使用图像编码器、姿势编码器和解码器的结构，同时利用两个鉴别器来指导产生过程。经过严格的实验，在两个数据集上定量和定性地验证了该方法的效果。

    Jun, 2019

  • 使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

    使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

    Jun, 2018

  • 在跨概念设置中提高合成生成图像的检测

    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

  • 任意姿态下无监督人物图像合成

    本文提出了一种使用生成式对抗学习的新方法，用于综合产生任意姿势的具有照片级真实感的人物图像。研究通过无监督的方式来处理此问题，并且将其分解成两个主要子任务，一是姿势条件的双向生成器，二是定义一个新型的损失函数，包含内容和风格项，旨在生成高感知质量的图像，可以在 DeepFashion 数据集上进行广泛的实验验证。

    Sep, 2018

  • 深度主动学习破除幻觉

    该研究旨在评估目前基于最新学习方法下的图像分类的主动学习策略的有效性，并且在更实际的情况下验证了选择语义分割的方法，其提出了一种更合适的评估协议。

    Dec, 2019