May, 2024

利用混沌动力学进行循环图像生成

PDF
TL;DR通过将 CycleGAN 模型扩展到三个不同类别的图像之间进行转换，演示了使用循环转换进行连续图像生成的方法。经过多次训练生成器的应用，产生的图像序列在图像空间中占据了较有限的区域，并表现出混沌动力学特征。生成的图像在质量上高，但相对于训练数据集具有较低的多样性，其中的混沌动力学对于图像空间的多样性起到了作用，这构成了一种多类图像生成的新方法。
successive image generationcyclic transformationscyclegan modelchaotic dynamicsmulti-class image generation
发现论文，激发创造
  • 生成图像动力学

    我们提出了一种对场景动态进行图像空间先验建模的方法，该先验是从包含自然振动运动（如树木、花朵、蜡烛和风中的衣物）的真实视频序列中提取的一系列运动轨迹学习得到的。通过一个经过训练的模型，我们使用一种频率协调扩散抽样过程来预测傅里叶域中每个像素长期运动表示，我们称之为神经随机运动纹理。这种表示可以转换为跨越整个视频的密集运动轨迹。结合基于图像的渲染模块，这些轨迹可以用于许多下游应用，例如将静止图像转换为无缝循环的动态视频，或者允许用户在真实图片中与物体进行真实交互。

    Sep, 2023

  • CDGAN: 循环判别式生成对抗网络用于图像到图像转换

    本文介绍了一种名为 CDGAN 的图像到图像转换网络，该网络在原有 CycleGAN 框架中添加了附加的鉴别器网络，以生成高质量、更逼真的图像，并在三个基准图像到图像转换数据集上进行了测试，结果表明该方法优于现有的最先进方法。

    Jan, 2020

  • 通过内部高维混沌活动进行生成建模

    利用高维混沌系统中的内部混沌动力学作为一种从训练数据集中生成新数据点的方法，在一组基本架构中通过简单的学习规则来实现这一目标，并通过标准准确度度量来表征生成数据点的质量。

    May, 2024

  • CSGAN: 用循环合成生成对抗网络进行图像转换

    本文提出了一种基于循环生成对抗网络（CSGAN）的图像转换方法，使用 Cyclic-Synthesized Loss 作为新的目标函数。该方法在 CUHK Face 数据集和 CMP Facades 数据集上的实验结果表明，相比 GAN、Pix2Pix、DualGAN、CycleGAN 和 PS2GAN 等最新技术方法，CSGAN 在 CUHK 数据集上表现最优，同时在 Facades 数据集上表现出很好的定量和定性综合性能。

    Jan, 2019

  • 循环中的循环生成对抗网络用于关键点引导的图像生成

    提出 C2GAN，一种新型循环生成对抗网络，用于关键点引导的图像生成，图像生成器和关键点生成器相互交错地连接在一个可端到端学习的框架中，并形成三个循环子网络，可生成更加逼真的图像。

    Aug, 2019

  • 非线性动力学的生成学习

    现代生成式机器学习模型展示出令人惊讶的能力，能够创造出超越其训练数据的逼真产出，如逼真的艺术作品、精确的蛋白结构或对话文本。这些成功表明生成模型学会了有效地参数化和采样任意复杂的分布。本文旨在将经典作品与大规模生成统计学习中的新兴主题联系起来，包括经典吸引子重构、隐空间模型中的潜在表示学习等。还介绍了早期利用符号近似进行比较的努力，与现代努力进行黑盒统计模型的精简和解释相关。新兴的跨学科研究桥接了非线性动力学和学习理论，如用于复杂流体流动的算子理论方法，或者检测生物数据集中打破了详细平衡的情况。我们预计未来的机器学习技术可能会重新审视非线性动力学中的其他经典概念，如信息传输衰减和复杂性 - 熵权衡问题。

    Nov, 2023

  • CycleGAN，隐写大师

    CycleGAN 可以学习到将两个图像分布之间的转化，并且会将源图像信息隐藏在其生成的图像中，从而保证了循环一致性，然而其通过循环一致性来保证生成的图像真实性导致了其容易受到对抗攻击的影响。

    Dec, 2017

  • 卷积生成对抗网络生成混沌时间序列的评估

    使用卷积神经网络和生成式对抗网络，我们生成了混沌时间序列，并使用非线性时间序列分析方法计算得出，该生成模型可以较好地重现原始时间序列的混沌特性，但存在学习误差。

    May, 2023

  • 多模型生成对抗网络基于随机动态学习与精确生成

    本研究中我们使用生成对抗网络（GANs）学习格点上原型随机过程，并通过合适的噪声添加成功地使生成器和判别器的损失函数接近最优值。然而，典型的对抗式方法中振荡仍然存在，这损害了模型选择和生成轨迹的质量。我们演示了使用随机生成器推进随机轨迹的适当的多模型程序，可以显著提高精度。基于报告的发现，GANs 是解决复杂统计动力学的有前途的工具。

    May, 2023

  • 周期内总生成：循环生成对抗网络用于生成人脸、手、身体和自然场景

    提出了一种基于循环的生成对抗网络模型 (C2GAN)，通过交互式方式联合分析输入图像和引导数据，实现了人脸、手、身体和自然场景的图像生成，通过循环子网实现输入域的重构，同时生成另一个循环所需要的有用输出，实现了跨模态信息的相互补充，并具有更为鲁棒优化的功能。

    Jun, 2021