- 基于乐观主义的生成模型在线评估方法
通过在线评估框架和上置信边界方法,本研究提出了 FID-UCB 和 IS-UCB 算法,用于在线评估生成模型的质量和多样性,证明了这些算法的子线性遗憾界,并在标准图像数据集上呈现了数值实验结果,证明其在识别得分最大化的生成模型方面的有效性。
- 生成对抗网络中极小 - 极大优化问题的高斯 - 牛顿方法
提出了一种新的一阶方法用于训练生成对抗网络(GANs),它修改了高斯 - 牛顿法来近似求解最小 - 最大海森矩阵,并使用谢尔曼 - 莫里森逆公式计算其逆,通过固定点方法确保必要的收敛。通过在 MNIST、Fashion MNIST、CIFA - 优化负面提示以提升文本到图像生成中的美观和真实度
通过使用负向提示,优化负向提示生成方法,可以显著提高图像生成质量。与其他方法相比,该方法在万能评分上提高了 25%,超过了测试集中的参考负向提示。此外,我们可以根据需求有针对性地优化最重要的指标,并构建了一个负向提示数据集。
- 量子启动分数
通过提出量子初始分数,我们证明了量子生成模型在质量上优于其经典对应物,原因在于量子相干性和纠缠的存在,并最终利用量子涨落定理来表征量子生成模型的质量的物理限制。
- Wasserstein 条件生成对抗神经网络的稳定并行训练
提出了稳定且并行的方法,用固定的计算资源训练 Wasserstein 条件 GAN,通过使用多个生成器并避免进程间通信来减少模式塌陷的风险和提高可扩展性。在 CIFAR10,CIFAR100 和 ImageNet1k 数据集上验证了该方法的 - ECCV生成对抗网络质量度量的鲁棒性研究
本文评估了生成模型质量测量的强度,指出 Inception Score 和 Fréchet Inception Distance 可被插入的噪点影响。作者还测试了最先进的 StyleGANv2 网络及其体系结构,并提供了一种增强版本的 FI - ICCV生成对抗网络的梯度归一化
本文提出了一种新的归一化方法 —— 梯度归一化(GN),通过在鉴别器函数上施加硬 1-Lipschitz 约束,从而增加鉴别能力,解决了生成对抗网络中尖锐梯度空间引起的训练不稳定性问题,并在四个数据集上进行了广泛实验,证明了使用梯度归一化训 - LOGAN: 生成对抗网络的潜在优化
利用自然梯度基于潜在空间的优化改进了 CS-GAN 模型,增强了模型的生成器和辨别器之间的互动,通过在 ImageNet 数据集上的实验表明,该方法在生成对抗网络训练中可显著提高模型性能。
- DEGAS: 可微分高效生成器搜索
本研究提出了一种名为 DEGAS 的新型策略,旨在通过差分架构搜索策略和全局潜在优化过程,有效地找到对抗生成网络(GAN)中的生成器,在此基础上,在 CTGAN 模型上优于原始成果,并在较短的搜索时间内比基于强化学习的 GAN 搜索方法获得 - 本地 GAN:为生成模型设计二维本地注意机制
本文提出了一种新的局部稀疏注意层,通过使用信息流图的新颖信息论准则来设计我们提出的稀疏注意模式,将 SAGAN 中密集的注意层替换为我们的构造,可获得非常显著的 FID、Inception 分数和纯视觉改进。同时,还提出了对注意机制进行反演 - 鉴别器最优输运
通过鉴别器优化过程,我们在一类广义生成对抗网络中证明,鉴别器训练过程增加了 $p$ 与 $p_G$ 之间 Wasserstein 距离的双重代价函数下界,这意味着训练后的鉴别器可以近似从 $p_G$ 到 $p$ 的最优传输方案。基于一些实验 - GAN 中的隐式竞争正则化
为了提高 GAN 训练的稳定性,本文提出了隐式竞争规则作为稳定 GAN 的一种解决方法,该方法可通过对生成器和鉴别器的对抗建模来显著增强隐式竞争规则,提升 WGAN-GP 的 inception score,实现无显式正则化的高效 GAN - ICCVAutoGAN: 生成对抗网络的神经结构搜索
本文介绍了一项有关 AutoGAN 的初步研究,这是将神经架构搜索算法引入生成对抗网络中的首个尝试。通过使用 RNN 控制器来引导搜索生成器构架的变化,实验结果验证了 AutoGAN 在无条件图像生成任务中的有效性,并与当前最先进的手工制作 - 通过估计数据分布梯度的方式进行生成建模
本文介绍了一种新的生成模型,利用评分匹配来估计数据分布的梯度,通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活,无需在训练期间进行抽样或使用对抗性方法,提供了可用于基于原则的模型比较的学习目标。在 MNIST、Cele - CVPR基于版面的图像生成
Layout2Im 是一种基于布局的图像生成方法,将物体表示分解为指定和不确定部分,并使用卷积 LSTM 编码并解码整个布局,以生成准确且多样化的图像,提高了最佳 Inception 分数 24.66%至 28.57%。
- 生成器的条件因素与 GAN 性能之间的因果关系
本篇论文旨在通过探究生成式对抗网络(GANs)的生成器的奇异值的分布,提出类似于正则化的想法并加入到训练中,使得生成器的奇异值保持良好的条件数,从而实现提高 GANs 的质量得分,解决 GAN 的一个主要批评。
- ChatPainter:利用对话改进文本到图像生成
本文研究使用对话来提高基于文本描述合成逼真图像的模型在 Microsoft COCO 数据集上的生成效果和 Inception Score(评估图像质量的指标)。
- CVPRSketchyGAN:多样化逼真的草图到图像合成
本研究提出了一种新的生成对抗网络 (GAN) 方法,利用数据增强及信息流构建模块等技术,在摩托车、马和沙发等 50 类别的草图上合成逼真的图像,并在 Inception 分数上取得显著的改进。
- ICML关于 Inception 分数的注释
本文针对近年来取得显著成果的深度生成模型提出新见解,对近期提出且被广泛使用的评估指标 Inception Score 进行探讨并证明其在比较模型方面未提供有用的指导。最终呼吁研究人员在评估和比较生成模型时要更加系统和谨慎,因为该领域的发展依 - ICLR渐进式增长 GAN 以提高质量、稳定性和变化性
通过渐进增加模型层数的方法,生成对抗网络在训练中实现速度和稳定性的提升,并取得了空前的图像质量和变异性,同时提出了新的 GAN 结果评估指标,取得实验成功。(keywords 中包含:生成对抗网络、逐步增长、图像质量、Inception 分