Jul, 2024

CycleGAN的理论洞见：分析非成对数据生成中的近似和估计误差

HTML
PDF
TL;DR本研究聚焦于分析对称生成对抗网络（CycleGAN）的异常风险。我们通过考虑模型结构和训练过程的影响，将风险分解为逼近误差和估计误差，并通过分析这些错误以及它们之间的权衡提供了对CycleGAN性能的理论洞见。
发现论文，激发创造
  • GAN是否平等？ 大规模研究

    这篇论文通过对多个GAN算法的大规模实验研究得出，大多数模型在经过足够的超参数优化和随机重启后可以达到类似的分数，建议未来的GAN研究应该基于更系统和客观的评估程序，同时提出了一些可用于计算精度和召回率的数据集。

    Nov, 2017

  • 增强循环GAN: 从非配对数据学习多对多映射

    通过学习多对多的映射关系，我们提出一种新的模型Augmented CycleGAN，使得在缺乏配对数据的情况下能够从非配对数据中提取结构信息，从而提高图像分割等结构化预测任务的性能，这在CycleGAN的假设单向单映射关系无法满足的情况下格外重要，并且通过实验证明了模型在多个图像数据集上的有效性。

    Feb, 2018

  • 通过最优输运指导 CycleGAN 中的一对一映射

    本文提出了一种控制 CycleGAN 学习到具有特定任务所需属性的一对一映射的方法 —— 通过一种任务特定成本函数约束优化传输映射，再用最佳传输映射的重心作为 CycleGAN 的参考，实验结果表明该算法能够实现预期的学习效果。

    Nov, 2018

  • 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

  • CycleGAN核心作为一种主要的齐次空间

    本文针对图像风格迁移的CycleGAN方法，通过理论分析和实验结果，探索图像翻译中自动同构的新奇现象，并得出无法通过寻求最优解来使图像翻译达成目的的结论。

    Jan, 2020

  • 无配对的图像语义数据鲁棒性转化

    针对许多不成对图像翻译应用需要在翻译过程中保持输入内容的语义，而现有的分布匹配方法容易导致翻译出现意义的混淆，本文提出了一种基于对抗学习的方法来实现对输入内容的意义保护，称为“语义鲁棒性”，该方法使用多尺度特征空间扰动对鲁棒性损失进行优化，能够有效降低输出的语义翻转现象，并在定量和定性方面优于现有方法。

    Dec, 2020

  • CycleGANAS：CycleGAN的可微分神经架构搜索

    我们为CycleGAN开发了一种神经架构搜索（NAS）框架，用于执行无成对图像到图像的翻译任务，并设计了由简单的基于ResNet的单元堆栈组成的架构，有效探索大搜索空间，并且成功解决了数据不平衡的问题。这是CycleGAN的第一个NAS结果，为更复杂的结构带来了启示。

    Nov, 2023

  • 鲁棒扩散GAN基于半不平衡最优传输

    通过半平衡最优传输的鲁棒训练技术，本文介绍了一种能有效缓解偏离值样本影响的鲁棒扩散生成对抗网络（RDGAN），通过全面评估展示了RDGAN在图像质量、分布模式覆盖以及推理速度等生成建模标准上优于标准DDGAN，且在处理干净和损坏数据集时表现出改进的鲁棒性。

    Nov, 2023

  • 关于生成对抗模型在低内在数据维度下的统计特性

    尽管生成对抗网络（GANs）在实证方面取得了显著的成功，但其统计准确性的理论保证仍然相对悲观。本论文试图在理论和GANs以及双向GANs（BiGANs）的实践之间架起桥梁，通过推导出关于估计密度的统计保证，以数据的固有维度和潜在空间为基础。

    Jan, 2024

  • 关于无监督图像到图像的转换和GAN稳定性

    该研究论文探讨图片到图片翻译的问题，以及如何在计算机视觉应用中如上色、修补和分割等方面应用无监督学习和生成对抗网络，并提出两种模型以解决GAN稳定性问题，并得出与文献讨论一致的问题假设。

    Oct, 2023