- ICLR参数和数据高效的光谱风格 DCGAN
我们提出了一种简单、高参数和数据高效的对抗网络 (Spectral Style-DCGAN 或 SSD),用于无条件的人脸生成,仅使用 657.4 万个参数和来自动物面部 HQ (AFHQ) 数据集的 4739 张狗脸图像作为训练样本,在低 - Patch-MI: 提升基于补丁重建的模型逆向攻击
通过基于 Jigsaw 拼图组装的新概率模型和基于 GAN 的分析,Patch-MI 攻击方法能够成功生成与目标数据库分布相似的图片,甚至在辅助数据库分布不相似的情况下,通过随机变换块的巧妙应用,进一步提升目标分类器的效果,从而在保持统计数 - ACLMIR-GAN:用对抗网络提炼用于音视频语音识别的帧层次模态不变表示
本文提出了一种基于对抗网络的方法(MIR-GAN),旨在跨模态学习共享的表征,以减轻后续的多模态融合过程,并在公共基准 LRS3 和 LRS2 上得到了比现有技术更好的表现。
- AAAI对抗网络能否将无信息结肠镜视频帧转化为临床有用信息?
提出使用对抗网络基础框架将无信息帧转换为临床相关帧以提高结肠镜检查对于诊断结直肠癌的有效性,进而在使用 YOLOv5 进行息肉检测时获得改善检测性能与优雅的定性结果,并审查失败案例以确定未来工作的方向。
- AAAI面向对话生成的选择性数据增强学习
介绍一种选择性数据增强框架(SDA),它利用对抗网络选择哪些数据点适合用于增强神经对话模型的性能,从而改善响应生成性能。
- MM使用 Transformer 进行跨模态食谱嵌入及大批量训练
本文提出了基于 Transformer 神经网络的大批量训练 (TNLBT) 的跨模型食谱检索框架,并应用层次 Transformer 的食谱文本编码器、Vision Transformer 的食谱图像编码器和对抗网络架构来实现更好的食谱文 - ECCVBlobGAN:空间分离式场景表示
该研究提出了一种基于场景的生成模型,使用中层次表示模型,模拟空间的深度有序特征 Blob,并将其应用于生成对抗网络中产生可行场景的实例中
- CVPR任意尺度图像合成
本文提出基于位置编码和跨尺度图像合成的方法,并在多个数据集上展现了稳定高质量的生成效果。
- 迈向公平的深度异常检测
本文提出了一种新的公平异常检测方法 Deep Fair SVDD,采用对抗网络训练来解决深度学习可能存在的社会偏见问题,并提出了两种有效公平性指标。在实验中,我们发现现有的深度异常检测方法存在不公平性,而我们的方法能够在最小损失性能的情况下 - AAAI自监督的草图到图像合成
通过自监督学习,提出了一个基于示例的草图到图像的生成模型,其中包括了使用无需配对的数据生成草图的方法,以及使用自编码器和对抗网络分别实现内容一致性和风格一致性,并在高分辨率图像生成上取得了最新的表现。
- IJCAI在嘈杂环境下实现准确且稳健的领域适应
本文提出了一种使用离线课程学习和代理分布的边际差异方法来消除标签噪声和特征噪声的领域自适应算法,并将其无缝转化为一个对抗网络进行联合优化,在存在噪声的环境下,与现有技术相比取得了超过 10%的准确度提高。
- CVPR旧而有为:重新定义对抗学习一类分类器训练范式
本研究提出了一种基于对抗模型的异常检测框架,利用生成器和鉴别器来实现高效和稳健的异常检测,通过将鉴别器的基本角色从区分真假数据转变为区分良好和劣质的重建,使检测器能够更好地检测到异常输入中经常出现的细微畸变,经过对 Caltech-256 - 基于生成对抗网络的无线信号欺骗
本文介绍了使用生成对抗网络(GAN)生成和传输合成信号的新方法。两个对抗者,一个发射机和一个接收机,各扮演生成器和判别器的角色,并玩决策论游戏,产生最佳欺骗信号以愚弄训练最佳的防御机制。结果表明,GAN 成攻击提高了对无线电信号欺骗成功概率 - ICCV使用 3D 可塑模型和生成对抗网络进行人脸去遮挡
本研究提出了一种新颖的基于 3DMM 和生成对抗网络的方法来恢复去遮挡的人脸图像并重建正确的 3D 面部模型,实验结果证实了该算法在消除各种头部姿势和光照等难以处理的遮挡方面的有效性和鲁棒性。
- ICCV变分对抗主动学习
该文章通过变分自编码器(VAE)和对抗网络训练了一个基于池的半监督主动学习算法,通过对抗学习的方式隐式地学习了最具代表性的查询的采样机制并达到了创新性的分类效果。
- ECCVLAPRAN:一种可扩展的拉普拉斯金字塔重建对抗网络,用于灵活的压缩感知重建
本文提出了一个可扩展的拉普拉斯金字塔重构对抗网络(LAPRAN)来解决单幅图像压缩感知与重建问题,使用拉普拉斯金字塔的概念通过多个重建对抗网络的阶段逐步重建图像,每个金字塔层次中使用上下文潜在向量将压缩感知测量融合以生成高频图像残差,实现了 - ECCV宏观 - 微观对抗网络用于人体解析
本文提出了 Macro-Micro Adversarial Net (MMAN) 模型,该模型引入两个判别器分别处理人类解析过程中的低水平局部不一致性和高水平语义不一致性,能够同时显式地强制执行本地和语义一致性,并避免了处理高分辨率图像时对 - 自适应领域无监督学习用于自动估计心胸比
本文提出了一种基于对抗网络的无监督域自适应框架,旨在通过从公开可用的数据源学习域不变特征表示来为未标记的数据集产生准确的胸部器官分割,以协助诊断肺心病。研究结果表明,所提出的模型具有良好的分割性能,并具有临床实用性。
- 半监督语义分割的对抗学习
本研究提出了一种采用对抗网络的半监督语义分割方法,通过设计全卷积判别器,辅以标准交叉熵损失,实现对未标记图像的信任区域的发现,提高了分割准确性。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验证明了该算法的有效性 - ACL多项式对抗网络用于多领域文本分类
本文提出一种多项式对抗网络(MAN)用于处理多域文本分类问题(MDTC), MAN 学习在多个域上保持不变的特征,并通过减少每个域特征分布之间的差异来实现。MAN 在实验中取得了显著的性能提升,并且在无标签数据的域中达到了最先进的性能水平。