关键词unsupervised conditional generation
搜索结果 - 2
- ICLR生成对抗网络的 Stein 潜变量优化
本文介绍了一种命名为 SLOGAN 的新方法,通过引入编码网络和无监督条件对比损失来确保单个混合分量生成的数据代表单个属性,成功地学习了平衡或不平衡的属性,并在缺少属性信息(例如不平衡比)的情况下实现最新的无监督条件生成性能。
- 双重循环一致对抗生成网络用于无监督条件生成
本文提出了一种新的无监督条件生成框架:双循环一致性条件生成对抗网络(DC3-GAN),该框架通过引入编码器 - 生成器对,使我们在避免生成过程低多样性和潜在特征平凡性的同时,也可以间接地估计真实条件分布,从而 提高聚类性能和分离性能。