- 潜在去噪扩散生成对抗网络:更快的采样速度,更高的图像质量
该论文介绍了一种使用预训练自编码器将图像压缩为紧凑的潜在空间的潜隐去噪扩散生成对抗网络(LDDGAN),以显著提高推断速度和图像质量,并提出了一种加权学习策略来增强多样性和图像质量。该模型在 CIFAR-10,CelebA-HQ 和 LSU - 将扩散模型融合为条件生成对抗网络
我们提出了一种方法将复杂的多步扩散模型提炼为单步有条件生成对抗网络学生模型,从而大大加速推理过程,同时保持图像质量。我们的方法将扩散提炼解释为一种对应的图像到图像转换任务,使用扩散模型 ODE 轨迹的噪声到图像对。为了进行高效的回归损失计算 - FacadeNet:选择性编辑的条件外立面合成
引入 FacadeNet,这是一种利用深度学习方法从多个视点合成建筑立面图像的方法。我们的方法使用有条件的生成对抗网络,以单个立面视图和所需的视点信息为输入,生成来自不同视点的立面图像。为了精确修改视角相关的元素如窗户和门,同时保留视角无关 - 像素状态值网络用于交互环境中的综合预测和规划
通过深度学习方法将预测和规划结合起来,利用条件生成对抗网络和 U-Net 架构训练模型,以预测高分辨率的图像序列并编码运动预测以及规划相关信息,从而在城市环境中与其他交通参与者可靠地进行交互。
- 利用引力引导之 GAN 生成起讫点网络
本文提出了一种名为 “ODGN” 的新型数学建模方法,它采用物理学与机器学习的结合,包括 Multi-view 图形注意网络和 gravity-guided 预测器等技术,用于更好地建模人口流动分布,并通过真实数据的实验验证了其与基准算法相 - AAAI基于伪标签引导的条件生成对抗网络模型反演攻击
提出一种基于条件 GAN 的 PLG-MI 攻击策略,通过引入伪标签将搜索空间解耦,采用最大间隔损失改善目标分类的子空间搜索,实验表明本文方法攻击成功率和可视化质量效果明显优于当前先进攻击方法,特别是在大型分布转移下表现出 2~3 倍的优势 - ECCV3D-FM GAN: 面部三维可控制变化
提出了一种新的 3D 可控脸部操作方法:3D-FM GAN,通过将输入脸部图像和 3D 编辑的真实渲染相结合,可以提供高质量、身份保留、3D 可控的脸部操作,相较于现有技术,具有更好的可编辑性、更强的身份保护和更高的照片逼真度。
- ICML带有辅助判别器的条件 GANs
该论文提出了一种使用辅助判别器的条件 GAN(ADC-GAN),具有较高的类内多样性,可以更准确地生成有条件的数据,并在合成及真实数据集上进行实验取得了优越结果。
- 使用 3D 条件生成对抗网络生成合成 CT 体积
利用条件生成对抗网络可以从噪声和 / 或像素化的近似中生成三维计算机体层扫描,该方法在 COVID19 CT 方面表现出色,可用于图像降噪和复原任务。
- ECCV从部件结构条件中学习生成三维点云模型
本文介绍了一种从符号树表示生成 3D 点云几何形状的方法,提出了一种新的条件 GAN 模型(PT2PC),它将树部分作为条件并将其纳入架构设计中,以端到端方式学习形状生成程序,在用户研究中证明了本方法在生成感知合理和多样 3D 点云方面的优 - PacketCGAN:使用 CGAN 探索加密流量分类的类别不平衡问题的研究
本文提出了一种基于条件生成对抗网络(PacketCGAN)的通信数据增强方法,用于处理加密流量分类问题中不同加密应用程序数据不平衡的问题。实验证明,相对于其他数据扩充方法,基于 PacketCGAN 数据集的深度学习加密流量分类器胜过其他方 - 图神经网络的对抗性防御框架
该论文提出了一种称为 DefNet 的针对图神经网络 (GNN) 的有效对抗性防御框架,结合图神经网络每一层中的潜在漏洞和条件 GAN 方法对其进行训练,有效提高了 GNN 在各种类型的对抗攻击下的鲁棒性。
- 生成 - 判别互补学习
本文提出了一种生成 - 判别式互补学习方法,称为互补条件 GAN(CCGAN),通过建模条件(判别)和实例(生成)分布来提高预测普通标签的准确性和生成高质量实例的能力,同时拥有弱监督下检索真实条件分布的能力,可有效解决缺乏高质量标注数据的问 - CVPR标签噪声鲁棒性生成式对抗网络
该论文提出了一种名为 rGAN 的新型 GAN 模型,通过加入噪声转移模型,在训练标签出现噪声的情况下,可以学习到一个干净的带条件的生成分布。该模型在不同的噪声设置和多种评估指标下得到了有效的表现。
- ECCV带条件生成对抗网络的成对三维模型生成
本文研究了在生成条件之下如何进行三维模型的生成,并提出了一种新的方法来使得在不同旋转角度下生成的同一模型相同。实验结果表明该方法可以成功地生成不同条件下的模型对。
- CVPR用于改善图像字幕的对抗语义对齐
本文提出了一种基于有上下文的 LSTM 描述生成器和协同对抗网络鉴别器的图像描述生成方法,并比较了两种训练方法,结果表明 Self-critical Sequence Training 表现更好;同时,介绍了一种用于衡量生成模型的语义得分, - CVPRDeblurGAN: 使用条件对抗网络实现盲运动去模糊
DeblurGAN 是一种基于条件 GAN 和内容损失学习的运动去模糊的端到端学习方法,能在结构相似度和视觉效果方面达到最先进的性能,同时还能提高检测运动去模糊图像的速度,而且还引入了一种新方法,通过运动去模糊合成运动模糊图像,从而实现数据 - 类别分割生成对抗网络
本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能,以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平,即使在无监督设置下同样适用 。
- CausalGAN:使用对抗训练学习因果隐式生成模型
本文提出了一种对抗训练程序,用于学习给定因果图的因果隐式生成模型,探讨了生成模型、条件生成对抗网络及其应用,并证明实验结果能生成真实的观察和干预分布。
- AlignGAN:使用有条件的生成对抗网络学习对齐跨域图像
本论文提出了一种基于条件 GAN 的方法,可以在缺少配对样本的情况下成功地对齐跨域图像,并且还提出了一种利用多个信息条件(如域信息和标签信息)进行标签传播的模型,并给出了一个用于学习该模型的两步交替训练算法。