Generating Adversarial Examples With Conditional Generative Adversarial Net
近年来，深度神经网络在各个领域都取得了重大进展和成功应用，但发现它们容易受到攻击实例的攻击，例如，敌对的例子。现有的攻击方法可以通过向源图像添加小的扰动来生成攻击图像。这些攻击图像可以欺骗分类器，但对人的影响很小。因此，这样的攻击实例难以通过搜索特征空间来生成。如何设计一种有效的、鲁棒的生成方法已成为研究的热点。受对抗实例的启发，本文提出了两种新的生成模型，采用条件生成对抗网络，设计了不同的训练策略，直接生成自适应攻击实例。与常用的方法如快速梯度符号法相比，该模型可以降低生成成本，提高鲁棒性，并且生成攻击实例的运行时间约为五分之一。
2019-03-18 cs.LG stat.ML
Anomaly Detection of Adversarial Examples using Class-conditional Generative Adversarial Networks
Pennsylvania State University（宾夕法尼亚州立大学）
深度神经网络（DNN）已被证明容易受到测试时规避攻击（TTE或对抗性示例）的影响，这些攻击通过对输入进行微小的更改，改变DNN的决策。我们提出了一种基于类条件生成对抗网络（GANs）的DNN分类器的无监督攻击检测器。我们通过辅助分类器GAN（AC-GAN）对预测类标签条件下的干净数据的分布进行建模。给定测试样本及其预测类，基于AC-GAN生成器和鉴别器计算三个检测统计量。在各种TTE攻击下的图像分类数据集上的实验表明，该方法优于以往的检测方法。我们还研究了使用不同DNN层（输入特征或内部层特征）进行异常检测的有效性，并证明，正如人们所料，使用更接近DNN输出层的特征更难检测到异常。
2022-05-12 cs.LG eess.IV
Continuous Conditional Generative Adversarial Networks (cGAN) with Generator Regularization
University of California, Berkeley（加州大学伯克利分校）
已知条件生成对抗网络难以训练，特别是当条件是连续的和高维的时。为了部分缓解这一困难，我们提出了一个简单的发电机正则化项的GAN发电机损失的形式Lipschitz惩罚。因此，当生成器被馈送有连续空间中的相邻条件时，正则化项将利用相邻信息并推动生成器生成对于每个相邻条件具有类似条件分布的样本。我们分析了所提出的正则化项的效果，并在一系列合成和现实世界的任务上证明了其鲁棒性能。
2021-03-27 cs.CV cs.LG
Decafs: Disentangled Conditional adversarial Flows
Aalto University（阿尔托大学）；Orion Pharma（奥立安制药公司）；ARF（未提及具体中文译名，保留英文缩写）；University of Manchester（曼彻斯特大学）；Yai Yai Ltd（未提及具体中文译名，保留英文缩写）
研究针对基于流的模型潜在嵌入难解释及生成因素纠缠问题，提出基于李群的新型条件生成器，通过对抗损失使替代潜在空间与潜在流空间对齐，实现可解释条件生成，在图像和分子生成任务中性能强大。
2026-07-22 cs.LG
On The Utility of Conditional Generation Based Mutual Information for Characterizing Adversarial Subspaces
National Chung Hsing University（国立中兴大学）；IBM Research（IBM研究院）
最近的研究发现，深度学习系统容易受到对抗性示例的影响;例如，视觉上不可识别的对抗图像可以容易地被制作以导致错误分类。神经网络的鲁棒性已经在敌手检测的背景下被广泛研究，敌手检测比较了在自然和敌手示例之间表现出强区分能力的度量。在本文中，我们提出了通过镜头的互信息（MI）的条件生成方法近似的敌对子空间的特征。我们使用MI作为一个信息理论的度量，以加强现有的防御和提高性能的对手检测。在MagNet防御系统上的实验结果表明，该检测器能够有效地提高对强大对抗攻击的鲁棒性.
2018-09-24 cs.CR cs.CV cs.LG
Multi-source Heterogeneous Domain Adaptation with Conditional Weighting Adversarial Network
Harbin Institute of Technology（哈尔滨工业大学）；Southern University of Science and Technology（南方科技大学）；Peng Cheng Laboratory（鹏城实验室）
异构领域自适应（HDA）处理具有不同概率分布和特征表示的跨域样本的学习。现有的HDA研究大多集中在单源情景。然而，实际上，从多个异质域获得样品并不罕见。在这篇文章中，我们研究了多维度HDA问题，并提出了一个条件加权对抗网络（CWAN）来解决这个问题。所提出的CWAN对抗学习一个特征Transformer，一个标签分类器和一个域分类器。为了量化不同源域的重要性，CWAN引入了一种复杂的条件加权方案，根据源域和目标域之间的条件分布差异来计算源域的权重。与现有的加权方案不同，所提出的条件加权方案不仅对源域进行加权，而且在优化过程中隐式地对齐条件分布。实验结果清楚地表明，所提出的CWAN的性能远远优于几个国家的最先进的方法在四个真实世界的数据集。
2021-09-12 cs.LG stat.ML
Sounderfeit: Cloning a Physical Model with Conditional Adversarial Autoencoders
Inria Chile（法国国家信息与自动化研究所智利分所）
一个对抗性的自动编码器的物理建模弓弦合成器的已知参数的条件下进行评估，用于参数估计和再合成任务。提供潜在维度以捕获条件参数无法解释的方差。结果进行了比较，没有对抗性的训练，并能够“复制”一个给定的参数信号的双向关系的系统进行检查。一个实时合成系统建立在一个生成的，有条件的和正规化的神经网络，允许构建从事声音合成器纯粹基于记录的数据。
2018-02-22 cs.LG cs.SD eess.AS
Creative Portraiture: Exploring Creative Adversarial Networks and Conditional Creative Adversarial Networks
本文研究DCGAN创意生成局限，探索CAN并提出CCAN，利用WikiArt生成新颖肖像，并支持按风格标签条件化生成，以更贴近人类创作过程。
2024-12-10 cs.CV cs.LG
Generative Adversarial Networks with Conditional Neural Movement Primitives for An Interactive Generative Drawing Tool
Bogazici University（博阿齐奇大学）
素描是视觉感知和视觉空间建构的抽象表现。在这项工作中，我们提出了一个新的框架，生成对抗网络与条件神经运动原语（GAN-CNMP），它结合了一种新的对抗损失CNMP，以提高草图的平滑性和一致性。通过实验，我们证明了该模型可以用较少的未标记样本进行训练，可以在潜在空间中自动构造分布，并且在形状一致性和平滑性方面比基本模型产生更好的结果。
2021-12-21 cs.AI cs.CV cs.GR
Hybrid Adversarial Spectral Loss Conditional Generative Adversarial Networks for Signal Data Augmentation in Ultra-precision Machining Surface Roughness Prediction
The Hong Kong Polytechnic University（香港理工大学）
本文提出HAS-CGAN，通过混合对抗谱损失和傅里叶域优化生成高质量一维力信号，结合加工参数将表面粗糙度预测误差从31.4%降至约9%，有效缓解超精密加工中小数据集带来的数据稀缺问题。
2025-07-07 cs.LG
Conditional Generative Adversarial Nets
Université de Montréal（蒙特利尔大学）；Flickr / Yahoo Inc.（Flickr / 雅虎公司）
生成对抗网[8]最近被引入作为训练生成模型的一种新方法。在这项工作中，我们介绍了生成对抗网的条件版本，它可以通过简单地将数据y馈送到生成器和生成器来构建。我们表明，该模型可以产生MNIST数字类标签的条件。我们还说明了如何使用该模型来学习多模态模型，并提供了图像标记应用程序的初步示例，其中我们演示了这种方法如何生成不属于训练标签的描述性标签。
2014-11-06 cs.AI cs.CV cs.LG
Crash Data Augmentation Using Conditional Generative Adversarial Networks (CGAN) for Improving Safety Performance Functions
University of Waterloo（滑铁卢大学）
本文提出了一种基于条件生成对抗网络的碰撞频率数据增强方法，以改进碰撞频率模型。所提出的方法进行评估，通过比较性能的基本SPF（使用原始数据开发）和增强SPF（使用原始数据加上合成数据开发）的热点识别性能，模型预测精度，和分散参数估计精度。使用模拟和真实世界的碰撞数据集进行实验。结果表明，CGAN合成的碰撞数据与原始数据具有相同的分布，增强的SPFs在几乎所有方面都优于基本SPFs，特别是当分散参数较低时。
2021-12-21 cs.LG stat.AP
Diversity-Sensitive Conditional Generative Adversarial Networks
University of Michigan（密歇根大学）；Google Brain（谷歌大脑）
我们提出了一种简单而高效的方法，解决了条件生成对抗网络（cGAN）中的模式崩溃问题。虽然条件分布是多模态的（即，在实践中，大多数cGAN方法倾向于学习过度简化的分布，其中输入总是被映射到单个输出，而不管潜在代码的变化。为了解决这个问题，我们建议显式地正则化生成器，以根据潜在代码产生不同的输出。所提出的正则化是简单的，一般的，并且可以很容易地集成到大多数条件GAN目标。此外，生成器上的显式正则化允许我们的方法控制视觉质量和多样性之间的平衡。我们证明了我们的方法在三个条件生成任务：图像到图像的翻译，图像修补，和未来的视频预测的有效性。我们表明，简单地将我们的正则化添加到现有模型中会导致令人惊讶的多样化生成，大大优于以前在每个单独任务中专门设计的多模态条件生成方法。
2019-01-25 cs.LG stat.ML
Mixture Density Conditional Generative Adversarial Network Models (MD-CGAN)
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼量化金融研究所）
生成对抗网络（GANs）近年来受到了极大的关注，特别是在计算机视觉中的应用令人印象深刻。然而，与这些例子相比，GANs在时间序列建模（包括预测）方面的应用更为有限。在这项工作中，我们提出了混合密度条件生成对抗模型（MD-CGAN），重点是时间序列预测。我们表明，我们的模型是能够估计的概率后验分布的预测，并在一组基准方法相比，MD-CGAN模型表现良好，特别是在噪声是一个重要组成部分的情况下观察到的时间序列。此外，通过使用高斯混合模型作为输出分布，MD-CGAN提供了非高斯的后验预测。
2020-12-04 cs.LG stat.ML
PcDGAN: A Continuous Conditional Diverse Generative Adversarial Network For Inverse Design
Massachusetts Institute of Technology（麻省理工学院）；Siemens Corporate Technology（西门子企业技术部）
工程设计任务通常需要综合满足所需性能要求的新设计。传统的设计过程需要迭代优化和性能评估，速度慢，并且依赖于初始设计。过去的工作使用条件生成对抗网络（cGAN）来实现给定目标性能的直接设计合成。然而，大多数现有的cGAN仅限于分类条件。连续条件GAN（Cc GAN）的最新研究试图解决这个问题，但仍然面临两个挑战：1）它在非均匀性能分布上表现不佳，以及2）生成的设计可能无法覆盖整个设计空间。我们提出了一个新的模型，命名为性能条件多样性生成对抗网络（PcDGAN），它引入了一个奇异的邻域损失相结合的一个决定性点过程（DPP）的损失函数，以提高多样性。PcDGAN使用一种新的自我强化评分，称为Lambert对数指数转换评分（LLETS），以改善条件反射。综合问题和真实世界的翼型设计问题的实验表明，PcD GAN优于国家的最先进的GAN模型，并提高了69%，在翼型生成任务和合成条件生成任务的调节可能性高达78%，并实现更大的设计空间覆盖。所提出的方法使有效的设计综合和设计空间探索的应用范围从CAD模型生成到超材料的选择。
2021-06-07 cs.LG
Bidirectional Conditional Generative Adversarial Networks
USC Information Sciences Institute（南加州大学信息科学研究所）
条件生成对抗网络（cGAN）是生成模型，其可以产生以潜在变量（$z$）和已知辅助信息（$c$）为条件的数据样本（$x$）。我们提出了双向cGAN（BiCoGAN），其在生成过程中有效地解开$z$和$c$，并提供了一个编码器，该编码器学习从$x$到$z$和$c$的逆映射，与生成器和训练器联合训练。我们提出了训练BiCoGAN的关键技术，其中涉及外在因素损失以及相关的动态调整的重要性权重。与其他基于编码器的cGAN相比，BiCoGAN更准确地编码$c$，并且更有效地利用$z$和$c$，并且以更不纠缠的方式生成样本。
2018-11-03 cs.LG stat.ML
A Conditional Adversarial Network for Scene Flow Estimation
深度视频中的场景流估计问题因其在机器人领域的潜在应用而受到机器人视觉研究者的关注。传统的场景流方法由于计算量大而难以应用于实际应用。我们提出了一个用于场景流量估计的条件对抗网络SceneFlowGAN。所提出的SceneFlowGAN在两端使用损失函数：生成器和描述符端。该网络是首次尝试使用生成对抗网络来估计场景流，并且能够同时从输入立体图像中估计光流和视差。该方法在一个大型RGB-D基准场景流数据集上进行了实验。
2019-04-25 cs.CV cs.LG cs.RO
Designing nanophotonic structures using conditional-deep convolutional generative adversarial networks
Pohang University of Science and Technology (POSTECH)（浦项科技大学）
基于深度学习的数据驱动设计方法已被引入纳米光子学，以减少耗时的迭代模拟，这一直是一个重大挑战。在这里，我们报告了第一次使用条件深度卷积生成对抗网络来设计不受预定义形状约束的纳米光子天线。对于给定的输入反射光谱，网络生成图像形式的理想设计;这种形式允许建议不能由结构参数表示的新结构。从生成的设计得到的仿真结果与输入反射谱吻合得很好。这种方法通过提供一种快速方便的方法来设计具有所需光学特性的复杂纳米光子结构，为纳米光子学的发展开辟了新的途径。
2019-03-20 cs.LG physics.optics
Causal Adversarial Network for Learning Conditional and Interventional Distributions
Arizona State University（亚利桑那州立大学）；Army Research Lab（陆军研究实验室）
我们提出了一个生成式因果对抗网络（CAN），用于从条件和干预分布中学习和采样。与需要给出因果图的现有CauseGAN相比，我们提出的框架从数据中学习因果关系并相应地生成样本。建议的CAN包括一个双重的过程，即标签生成网络（LGN）和条件图像生成网络（CIGN）。LGN是一种基于GAN的架构，它通过标签从因果模型中学习和采样。然后将采样的标签馈送到CIGN，CIGN是一种条件GAN架构，它学习标签和像素以及像素本身之间的关系，并基于它们生成样本。该框架配备了干预机制，可以实现。该模型用于从介入分布生成样本。我们定量和定性地评估CAN的性能，并根据经验表明，我们的模型能够生成干预性和条件性样本，而无需访问CelebA数据上人脸生成应用的因果图。
2020-09-21 cs.LG stat.ML
Occluded object reconstruction for first responders with augmented reality glasses using conditional generative adversarial networks
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
消防员遭受各种危及生命的风险，包括执勤死亡，受伤和暴露于危险物质。支持减少这些风险是重要的。我们建立了一个部分闭塞的对象重建方法的增强现实眼镜的第一反应。我们使用基于条件生成对抗网络的深度学习来训练易燃和危险物体的各种图像与其部分遮挡的对应物之间的关联。然后，我们的系统重建了新易燃物体的图像。最后，将重建图像叠加在输入图像上以提供“透明度”。该系统通过学习易燃物体的形状和火焰特性，模仿人类通过经验学习物理定律。
2018-04-20 cs.CV cs.LG
ECG-ATK-GAN: Robustness against Adversarial Attacks on ECGs using Conditional Generative Adversarial Networks
University of Nevada, Reno（内华达大学里诺分校）；Fudan University（复旦大学）
从ECG自动检测心律失常需要一个强大且可靠的系统，该系统在电气干扰下保持高精度。许多机器学习方法在分类ECG心律失常方面已经达到了人类水平的性能。然而，这些架构容易受到对抗性攻击，这可能会通过降低模型的准确性来错误分类ECG信号。对抗性攻击是在原始数据中注入的精心制作的小扰动，它表现出信号中的分布偏移，从而对正确的类进行错误分类。因此，出现了安全问题的虚假住院和保险欺诈滥用这些扰动。为了解决这个问题，我们引入了第一个新的条件生成对抗网络（GAN），对对抗攻击的ECG信号具有鲁棒性，并保持高精度。我们的架构集成了一个新的类加权目标函数，用于对抗性扰动识别和新的块，用于识别和组合学习过程中信号的分布偏移，以准确分类各种心律失常类型。此外，我们基准我们的架构上六个不同的白盒和黑盒攻击，并将它们与其他最近提出的心律失常分类模型在两个公开的ECG心律失常数据集。实验证实，我们的模型是更强大的对抗这种对抗性攻击分类心律失常的准确性高。
2022-08-25 cs.AI cs.LG eess.SP
Conditional Independence Testing using Generative Adversarial Networks
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
我们考虑检测条件依赖的假设检验问题，重点是高维特征空间。我们的贡献是一个新的检验统计量，基于生成对抗网络的样本，旨在直接近似编码原假设的条件分布，以最大化功率（真阴性率）的方式。我们表明，这样的方法只需要密度近似是可行的，以确保我们控制第一类错误（误报率），特别是，没有假设需要作出的形式的分布或功能依赖。使用合成模拟与高维数据，我们证明了显着的收益，在竞争的方法的权力。此外，我们还说明了使用我们的测试来发现遗传数据中疾病的因果标记。
2019-12-18 cs.LG stat.ML
Zero-Shot Learning of a Conditional Generative Adversarial Network for Data-Free Network Quantization
Samsung Semiconductor Inc.（三星半导体公司）
本文提出了一种新的不使用训练数据训练条件生成对抗网络（CGAN）的方法，称为CGAN的零样本学习（Z-CGAN）。条件生成器的零样本学习只需要预先训练的判别（分类）模型，而不需要任何训练数据。具体地，条件生成器被训练以通过使用存储在预训练模型的批量归一化层中的统计数据来产生其特性模仿原始训练数据的标记的合成样本。我们展示了EST-CGAN在深度神经网络的无数据量化中的有用性。我们实现了在ImageNet数据集上训练的ResNet和MobileNet分类模型的最先进的无数据网络量化。无数据的量化使用EST-CGAN显示出最小的损失相比，通过传统的数据相关的量化获得的精度。
2022-10-26 cs.CV cs.LG cs.NE
Detecting and Diagnosing Adversarial Images with Class-Conditional Capsule Reconstructions
UC San Diego（加州大学圣地亚哥分校）；Google Brain（谷歌大脑）
对抗性的例子提出了关于神经网络模型是否对与人类相同的视觉特征敏感的问题。在本文中，我们首先基于输入的类条件重建来检测对抗性示例或其他损坏的图像。为了专门攻击我们的检测机制，我们提出了重建攻击，旨在造成错误分类和低重建错误。这种重构攻击产生未检测到的对抗性示例，但成功率要小得多。在所有这些攻击中，我们发现CapsNets总是比卷积网络表现得更好。然后，我们对CapsNets的对抗性示例进行了诊断，发现重构攻击的成功与源和目标类之间的视觉相似性高度相关。此外，所产生的扰动可能导致输入图像在视觉上看起来更像目标类，因此变得非对抗性。这表明CapsNet使用的功能更符合人类的感知，并且有可能解决对抗性示例提出的核心问题。
2020-02-18 cs.CR cs.CV cs.LG
Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning
Southwestern University of Finance and Economics（西南财经大学）；Shenzhen University（深圳大学）；University of Nottingham（诺丁汉大学）
异常检测在机器智能中有着广泛的应用，但仍然是一个尚未解决的难题。主要的挑战包括标记异常的罕见性，这是一类高度不平衡的问题。传统的无监督异常检测器是次优的，而监督模型可以很容易地对正常数据进行有偏的预测。本文通过引入新型集成主动学习生成对抗网络（EAL-GAN），提出了一种新的有监督异常检测器。EAL-GAN是一种条件GAN，具有唯一的一个生成器对多个鉴别器架构，其中异常检测由鉴别器的辅助分类器实现。除了使用条件GAN生成类平衡的补充训练数据外，还设计了一种创新的集成学习损失函数，确保每个类的学习都能弥补其他类的学习不足，以克服类不平衡问题，并引入主动学习算法，以显著降低标注真实世界数据的成本。我们提出了广泛的实验结果表明，新的异常检测器始终优于各种SOTA方法的显着利润率。代码可以在Github上找到。
2021-04-24 cs.LG
Estimation with Uncertainty via Conditional Generative Adversarial Networks
Korea University（高丽大学）
传统的预测人工神经网络（ANN）通常采用确定性权重矩阵;因此，它们的预测是点估计。人工神经网络的这种确定性性质导致了将人工神经网络用于医疗诊断、法律问题和投资组合管理的局限性，其中不仅需要发现预测，而且还需要发现预测的不确定性。为了解决这个问题，我们提出了一个预测概率神经网络模型，它对应于一个不同的方式使用的发电机在条件生成对抗网络（cGAN），已被常规用于条件样本生成。通过反转普通cGAN的输入和输出，该模型可以成功地用作预测模型;此外，由于采用对抗训练，该模型对噪声具有鲁棒性。此外，为了度量预测的不确定性，我们分别为回归问题和分类问题引入了熵和相对熵。该框架适用于股票市场数据和图像分类任务。结果表明，该框架具有优越的估计性能，特别是在噪声数据上;此外，它表明，该框架可以正确地估计预测的不确定性。
2020-07-01 cs.LG stat.ML
Adversarial Unsupervised Domain Adaptation with Conditional and Label Shift: Infer, Align and Iterate
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Alibaba Group（阿里巴巴集团）；Carnegie Mellon University（卡内基梅隆大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Southern California（南加州大学）
在这项工作中，我们提出了一个对抗性的无监督领域自适应（UDA）方法与固有的条件和标签偏移，我们的目标是对齐的分布w.r.t. $p(x|y)$和$p(y)$。由于标签在目标域中不可访问，因此常规对抗性UDA假设$p(y)$跨域不变，并且依赖于比对$p(x)$作为$p(x|y)$比对的替代。为了解决这个问题，我们提供了一个彻底的理论和经验分析的传统对抗UDA方法下的条件和标签偏移，并提出了一个新的和实用的替代优化方案对抗UDA。具体来说，我们推断边缘$p(y)$和对齐$p(x|y)$迭代训练，并精确对齐后$p(y|x)$在测试中。我们的实验结果表明，它的有效性分类和分割UDA，部分UDA。
2021-08-02 cs.AI cs.CV cs.LG
AdvNF: Reducing Mode Collapse in Conditional Normalising Flows using Adversarial Learning
Indian Institute Of Technology Kanpur（印度理工学院坎普尔分校）；University of Stuttgart（斯图加特大学）
该论文针对条件归一化流中的高方差、模式崩溃和数据效率问题，提出对抗训练方法，并在低维合成数据和二维XY自旋模型上验证其有效性。
2024-04-11 cond-mat.stat-mech cs.LG physics.comp-ph
Painting on Placement: Forecasting Routing Congestion using Conditional Generative Adversarial Nets
Cornell University（康奈尔大学）
对于大型设计，物理设计过程通常需要花费数小时到数天的时间，而布线被认为是最关键的步骤。对精确路由质量预测的需求提高到一个新的水平，以加速先进技术节点的硬件创新。这项工作提出了一种方法，预测密度的所有路由通道在整个平面图，功能收集到放置，使用条件GANs。具体地说，预测路由拥塞被构造为一个图像翻译（着色）问题。所提出的方法被应用到a）最小拥塞的布局探索，b）受约束的布局探索和c）在增量布局过程中实时预测拥塞，使用八个设计针对一个固定的FPGA架构。
2019-04-15 cs.CV cs.LG
Sounderfeit: Cloning a Physical Model using a Conditional Adversarial Autoencoder
Inria Chile（智利国家数字科学技术研究所）
一个对抗性的自动编码器的物理建模弓弦合成器的已知参数的条件下进行评估，用于参数估计和再合成任务。提供潜在维度以捕获条件参数无法解释的方差。结果进行了比较，没有对抗性的训练，并能够“复制”一个给定的参数信号的双向关系的系统进行检查。一个实时合成系统建立在一个生成的，有条件的和正规化的神经网络，允许构建从事声音合成器纯粹基于记录的数据。
2018-06-25 cs.LG cs.NE cs.SD
Training Shallow and Thin Networks for Acceleration via Knowledge Distillation with Conditional Adversarial Networks
University of Maryland（马里兰大学）；Georgia Institute of Technology（佐治亚理工学院）；Honda Research Institute（本田研究院）
人们对加速用于实时应用的神经网络越来越感兴趣。我们研究了学生-教师策略，在该策略中，使用从大型且准确的教师网络中学习到的辅助信息来训练小型且快速的学生网络。我们建议使用条件对抗网络来学习损失函数，以将知识从教师转移到学生。该方法对于相对较小的学生网络特别有效。此外，实验结果表明，当现代网络被用作学生时，网络大小的影响。我们实证研究推理时间和分类精度之间的权衡，并提供建议，选择一个合适的学生网络。
2018-04-16 cs.AI cs.CV cs.LG
Deep Learning Convective Flow Using Conditional Generative Adversarial Networks
Carnegie Mellon University（卡内基梅隆大学）
本文提出FluidGAN，一个数据驱动的条件生成对抗网络框架，用于学习和预测与能量传输耦合的对流流动，无需物理先验知识，并捕捉速度、压力与温度场的耦合。
2023-06-18 cs.LG physics.comp-ph physics.flu-dyn
Bayesian Inverse Problems with Conditional Sinkhorn Generative Adversarial Networks in Least Volume Latent Spaces
University of Maryland（马里兰大学）；General Electric Vernova Advanced Research（通用电气维诺瓦先进研究院）
本文提出一种基于最小体积降维的潜条件Sinkhorn生成对抗网络框架，用于高效训练并解决高维非线性贝叶斯逆问题，在ODE参数反演和地下水流高维水力传导率反演中验证了其有效性。
2024-05-22 cs.LG
Emotion Detection Using Conditional Generative Adversarial Networks (cGAN): A Deep Learning Approach
本文提出基于条件生成对抗网络（cGAN）的多模态情感检测方法，整合文本、音频和面部表情，生成合成数据提升分类准确性，显著优于基线模型，增强人机交互的情感理解。
2025-08-06 cs.HC cs.LG cs.NE
Adversarially Robust Control of Conditional Value-at-Risk via Rockafellar-Uryasev Conformal Inference
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出一种在线无分布框架，通过结合共形尾风险控制、在线学习和CVaR的变分表示，在非平稳和对抗环境下实现对条件风险价值(CVaR)的鲁棒控制，并提供渐近保证。
2026-05-29 cs.LG
Normative Modeling via Conditional Variational Autoencoder and Adversarial Learning to Identify Brain Dysfunction in Alzheimer's Disease
Lehigh University（利哈伊大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
规范模型是一种新兴的和有前途的方法，有效地研究个体参与者的障碍异质性。在这项研究中，我们提出了一种新的规范建模方法，结合条件变分自编码器与对抗学习（ACVAE），以识别阿尔茨海默病（AD）的脑功能障碍。具体而言，我们首先对健康对照（HC）组进行条件VAE训练，以创建以年龄、性别和颅内体积等协变量为条件的规范模型。然后，我们结合了一个对抗性训练过程来构建一个可以更好地推广到未知数据的判别特征空间。最后，我们在患者水平上计算与正常标准的偏差，以确定哪些大脑区域与AD相关。我们在OASIS-3数据库上的实验表明，与其他深度规范模型相比，我们的模型生成的偏差图对AD表现出更高的敏感性，并且能够更好地识别AD和HC组之间的差异。
2022-11-13 cs.AI cs.LG q-bio.QM
Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks
脑机接口领域的一个很大的限制是训练样本非常有限，很难用这样有限的数据建立一个可靠的可用系统。为了提高卷积神经网络在脑机接口领域中的性能，克服训练数据集小的问题，受生成对抗网络的启发，提出了一种条件深度卷积生成对抗网络（cDCGAN）方法，自动生成更多的人工脑电信号用于数据增强。我们在运动想象的BCI竞争数据集上评估了所提出的cDCGAN方法。实验结果表明，从高斯噪声中生成的人工脑电数据能够学习到原始脑电数据的特征，并且在测试数据集中具有不低于原始脑电数据的分类精度。同时，在训练数据有限的情况下，利用生成的人工数据可以有效地提高同一模型的分类精度。
2018-12-27 cs.HC cs.LG q-bio.NC
Robust Conditional Generative Adversarial Networks
Imperial College London（帝国理工学院）
条件生成对抗网络（cGAN）已经在条件图像生成任务方面取得了很大的改进，这是计算机视觉的核心。到目前为止，主要的重点是性能改进，而在使cGAN对噪声更具鲁棒性方面几乎没有做出任何努力。（发生器的）回归可能会导致输出中的任意大的误差，这使得cGAN对于现实世界的应用程序不可靠。在这项工作中，我们引入了一种新的条件GAN模型，称为RoCGAN，它利用模型的目标空间中的结构来解决这个问题。我们的模型用一个无监督的路径来增强生成器，即使在存在强烈噪声的情况下，它也会促进生成器的输出跨越目标流形。我们证明了RoCGAN具有与GAN相似的理论特性，并通过实验验证了我们的模型在包括自然场景和人脸图像在内的各种领域中的性能都大大优于现有的最先进的cGAN架构。
2019-03-13 cs.AI cs.CV cs.LG
Procedural content generation of puzzle games using conditional generative adversarial networks
IT University of Copenhagen（哥本哈根信息技术大学）
本文提出使用参数化GANs为益智游戏Lily's Garden生成关卡，通过提取两个条件向量控制输出细节，发现GANs能较好近似地图形状但难以近似棋子分布，并建议尝试替代架构以改善此问题。
2023-06-26 cs.AI cs.LG
Re-designing cities with conditional adversarial networks
University College London (UCL)（伦敦大学学院）
本文介绍了一种条件生成对抗网络，通过生成1）城市干预政策，2）需要干预的地方的注意力地图，3）实施干预后的高分辨率街道级图像（1024 X 1024或1536 X 1536）来重新设计城市场景的街道级图像。我们还介绍了一个新的数据集，其中包括对齐的街道级图像之前和之后的城市干预措施，从现实生活中的场景，使这项研究成为可能。所介绍的方法已在应用于逼真图像的不同范围的城市干预上进行了训练。经过训练的模型在重新建模城市方面表现出强大的性能，优于在单个GPU中计算的其他领域中应用图像到图像转换的现有方法。这项研究为机器智能在基于对抗学习的重新思考和重新设计城市的不同属性方面发挥作用打开了大门，超越了面部地标操作或语义分割图像合成的主流。
2021-04-14 cs.AI cs.CV cs.LG
CGAN-EB: A Non-parametric Empirical Bayes Method for Crash Hotspot Identification Using Conditional Generative Adversarial Networks: A Real-world Crash Data Study
University of Waterloo（滑铁卢大学）
基于负二项分布（NB）等参数统计模型的经验贝叶斯（EB）方法已被广泛应用于道路网安全筛选过程中的站点排序。本文是作者先前研究的延续，提出了一种基于条件生成对抗网络（CGAN）的碰撞频率数据建模的新的非参数EB方法，并在几个模拟碰撞数据集上进行了评估。与参数方法不同，在拟议的CGAN-EB中，不需要预先指定因变量和自变量之间的潜在关系，并且它们能够对任何类型的分布进行建模。所提出的方法现在被应用于从2012年到2017年在华盛顿州的路段收集的真实世界的数据集。CGAN-EB在模型拟合、预测性能和网络筛选结果方面的性能与传统方法（NB-EB）作为基准进行了比较。实验结果表明，CGAN-EB方法在预测能力和热点识别测试方面优于NB-EB方法。
2021-12-16 cs.LG
Generative Adversarial Registration for Improved Conditional Deformable Templates
New York University（纽约大学）；MIT（麻省理工学院）；MGH（麻省总医院）
可变形模板是大规模医学图像配准、分割和群体分析的基础。当前用于模板构建的常规和基于深度网络的方法仅使用正则化配准目标，并且通常产生具有模糊和/或解剖学上不可信的外观的模板，从而混淆下游生物医学解释。我们将变形配准和条件模板估计重新表述为对抗游戏，其中我们鼓励在移动模板中使用基于灵活图像协变量的生成对抗配准框架的现实主义。由此产生的模板表现出显着的增益属性，如年龄和疾病的特异性，更好地适应潜在的组明智的时空趋势，并实现改进的锐度和中心性。这些改进使得具有不同协变量的群体建模更准确，用于标准化下游分析，并且更容易对感兴趣的结构进行解剖描绘。
2022-03-17 cs.CV cs.LG eess.IV
Improving Image Captioning with Conditional Generative Adversarial Nets
Tencent AI Lab（腾讯人工智能实验室）
在本文中，我们提出了一种新的条件生成对抗网为基础的图像描述框架作为传统的基于学习（RL）的编码器-解码器架构的扩展。为了解决不同客观语言度量之间的不一致评价问题，我们设计了一些“自适应”网络来自动和渐进地确定生成的字幕是人类描述的还是机器生成的。介绍了两种神经网络结构（CNN和基于RNN的结构），因为每种结构都有自己的优点。该算法是通用的，因此它可以增强任何现有的基于RL的图像描述框架，我们表明，传统的RL训练方法只是我们的方法的一个特例。从经验上讲，我们表现出一致的改进，在所有的语言评价指标不同的国家的最先进的图像描述模型。此外，训练良好的鉴别器也可以被看作是客观的图像描述评估器
2019-02-13 cs.CV cs.LG
Conditional Feature Importance with Generative Modeling Using Adversarial Random Forests
Leibniz Institute for Prevention Research & Epidemiology – BIPS（莱布尼茨预防研究与流行病学研究所 – BIPS）；Faculty of Mathematics and Computer Science, University of Bremen（不来梅大学数学与计算机科学学院）；Berlin School of Economics and Law（柏林经济与法律学院）；University of Copenhagen（哥本哈根大学）
本文提出cARFi方法，利用对抗随机森林生成的条件分布采样特征值，以少量调参稳健衡量条件特征重要性，支持条件/边际概念及统计显著性检验。
2025-01-19 cs.LG stat.ML
ACReL: Adversarial Conditional value-at-risk Reinforcement Learning
Institut Intelligence et Données (IID)（智能与数据研究所（IID））；Université Laval（拉瓦尔大学）；Quebec Artificial Intelligence Institute (Mila)（魁北克人工智能研究所（Mila））；Université de Montréal（蒙特利尔大学）
在经典的强化学习（RL）设置中，人们的目标是找到一个最大化其预期收益的策略。这一目标可能不适用于医疗保健或自动驾驶等安全关键领域，因为随机策略和环境变化导致的固有不确定性可能导致灾难性故障。这可以通过使用条件风险价值（CVaR）目标来解决，以在学习的政策中灌输风险规避。在本文中，我们提出了对抗Cvar强化学习（ACReL），一种新的对抗元算法，以优化强化学习中的CVaR目标。ACReL是基于一个最大-最小之间的政策播放器和一个学习的对手，扰动政策播放器的状态转换给定一个有限的预算。我们证明，更接近的球员是游戏的均衡点，更接近的学习政策是CVaR最优的风险容忍度明确相关的对手的预算。我们提供了一个基于梯度的训练过程，通过将其制定为Stackelberg游戏来解决所提出的游戏，从而能够使用深度RL架构和训练算法。实证实验表明，ACReL匹配CVaR RL最先进的基线检索CVaR最优政策，同时也受益于理论保证。
2022-05-17 cs.LG
A Progressive Conditional Generative Adversarial Network for Generating Dense and Colored 3D Point Clouds
University of Texas at Arlington（得克萨斯大学阿灵顿分校）
在本文中，我们介绍了一种新的条件生成对抗网络，它可以以无监督的方式为各类对象创建密集的3D点云。为了克服在高分辨率下捕获复杂细节的困难，我们提出了一个点Transformer，它通过使用图形卷积来逐步增长网络。该网络由一个叶输出层和一组初始分支组成。每次训练迭代都将点向量演化为分辨率不断提高的点云。在固定次数的迭代之后，通过复制最后一个分支来增加分支的数量。实验结果表明，我们的网络能够学习和模仿3D数据分布，并在多个分辨率下生成具有精细细节的彩色点云。
2020-10-12 cs.AI cs.CV cs.LG
Phase Retrieval Using Conditional Generative Adversarial Networks
Heinrich Heine University Düsseldorf（海因里希·海涅大学）
在本文中，我们提出了应用条件生成对抗网络来解决各种相位恢复问题。我们表明，包括在训练时的测量过程的知识，导致在测试时的优化，是更强大的初始化比现有的方法，涉及生成模型。此外，根据测量值调节发电机网络使我们能够获得更详细的结果。我们的经验表明，这些优势提供了有意义的解决方案的傅立叶和压缩相位恢复问题，我们的方法优于完善的基于投影的方法，以及现有的方法是基于神经网络。与其他深度学习方法一样，我们的方法对噪声非常鲁棒，因此对于现实世界的应用非常有用。
2020-07-08 cs.CV cs.LG eess.IV
Toward Generating Synthetic CT Volumes using a 3D-Conditional Generative Adversarial Network
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；National Institutes of Health Clinical Center（美国国立卫生研究院临床中心）；Networking Health；OpenKneck Inc（OpenKneck公司）
我们提出了一种新的条件生成对抗网络（cGAN）架构，该架构能够从噪声和/或像素化近似中生成体素中的3D计算机断层扫描，并有可能生成完整的合成3D扫描体积。我们认为条件cGAN是一种生成3D CT体积的易处理方法，尽管由于GPU内存限制，生成全分辨率深度伪影的问题目前是不切实际的。我们提出了自动编码器，去噪和去像素化任务的结果，这些任务在两个新的COVID 19 CT数据集上进行了训练和测试。我们的评估指标，峰值信噪比（PSNR）范围从12.53 - 46.46 dB，结构相似性指数（SSIM）范围从0.89到1。
2021-04-02 cs.CV cs.LG eess.IV
Conditional Progressive Generative Adversarial Network for satellite image generation
CERN（欧洲核子研究组织）；United Nations Satellite Centre (UNOSAT)（联合国卫星中心）
由于机器学习算法能够真实地替换丢失的像素，图像生成和图像完成是快速发展的领域。然而，生成具有大量细节的大的高分辨率图像提出了重要的计算挑战。在这项工作中，我们制定的图像生成任务完成的三个角之一是失踪的图像。然后，我们扩展了这种方法，以迭代方式构建具有相同细节水平的更大图像。我们的目标是获得一个可扩展的方法来生成高分辨率的样本通常在卫星图像数据集。我们引入了一个条件渐进生成对抗网络（GAN），它使用Wasserstein自动编码器在潜在向量中编码的三个初始相邻瓦片作为输入，生成图像中丢失的瓦片。我们专注于一组图像使用的联合国卫星中心（联合国组织卫星）的训练洪水探测工具，并验证合成图像的质量在现实的设置。
2022-11-28 cs.CV cs.LG
Generative Adversarial Regression (GAR): Learning Conditional Risk Scenarios
Telfer School of Management University of Ottawa（奥克塔维亚大学塔弗尔管理学院）
GAR通过生成器学习条件风险场景，结合最小最大框架提升鲁棒性，实验显示其在风险保留和稳定性方面优于传统方法。
2026-03-09 cs.LG math.OC q-fin.PM
Boosting Black-Box Attack with Partially Transferred Conditional Adversarial Distribution
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Tencent AI Lab（腾讯人工智能实验室）
本文研究了针对深度神经网络（DNN）的黑盒对抗攻击，攻击者只能访问被攻击的DNN模型返回的查询反馈，而其他信息，如模型参数或训练数据集是未知的。一种改进攻击性能的有希望的方法是利用一些白盒代理模型和目标模型之间的对抗性可转移性（即，被攻击的模型）。然而，由于代理模型和目标模型之间在模型架构和训练数据集上可能存在差异，被称为“代理偏差”，对抗性可移植性对提高攻击性能的贡献可能会减弱。为了解决这个问题，我们创新性地提出了一种黑盒攻击方法，通过开发一种新的对抗性转移机制，该机制对代理偏差具有鲁棒性。该方法的基本思想是通过传递代理模型的条件对抗分布（CAD）的部分参数，同时根据对目标模型的查询学习未传递的参数，以保持对新的良性样本调整目标模型CAD的灵活性。在基准数据集上的大量实验和对真实世界API的攻击表明，该方法具有优越的攻击性能。
2021-03-18 cs.CR cs.CV cs.LG
RADIOGAN: Deep Convolutional Conditional Generative adversarial Network To Generate PET Images
General Electric Healthcare（通用电气医疗集团）；University of Rouen（鲁昂大学）；Henri Becquerel Center（亨利·贝克勒尔中心）
医学成像最大的挑战之一是缺乏数据。事实证明，经典的数据增强方法是有用的，但仍然有限，由于图像中的巨大变化。使用生成对抗网络（GAN）是解决这个问题的一种有前途的方法，然而，训练一个模型来生成不同类别的病变是具有挑战性的。在本文中，我们提出了一种深度卷积条件生成对抗网络来生成MIP正电子发射断层扫描图像（PET），这是一种表示3D体积的2D图像，可根据不同的病变或非病变（正常）进行快速解释。我们所提出的方法的优点包括一个模型，该模型能够生成不同类别的病变，并显示出非常有前途的结果。此外，我们表明，步行通过一个潜在的空间可以被用来作为一种工具来评估所生成的图像。
2020-03-19 cs.CV cs.LG eess.IV
Cross Domain Image Generation through Latent Space Exploration with Adversarial Loss
Carnegie Mellon University（卡内基梅隆大学）
条件域生成是交互控制深度生成模型样本生成过程的一种好方法。然而，一旦创建了条件生成模型，允许它适应新的条件控制通常是昂贵的，特别是网络结构相对较深。我们提出了一个条件的潜在域转移框架的潜在空间的无条件变分自编码器（VAE）。有了这个框架，我们可以允许无条件训练的VAE在它的域中生成图像，条件由另一个域的潜在表示提供。这个框架并不假设两个领域之间的共性。我们证明了我们的模型在广泛使用的图像数据集下的有效性和鲁棒性。
2018-05-24 cs.CV cs.LG stat.ML
Full-body High-resolution Anime Generation with Progressive Structure-conditional Generative Adversarial Networks
DeNA Co., Ltd.（DeNA株式会社）
我们提出了渐进式结构条件生成对抗网络（PSGAN），这是一个新的框架，可以根据结构信息生成全身和高分辨率的字符图像。具有渐进式训练的生成对抗网络的最新进展使得生成高分辨率图像成为可能。然而，现有的方法在同时实现高图像质量和结构一致性方面具有局限性。我们的方法通过在训练过程中逐步提高生成图像和结构条件的分辨率来解决这些限制。在本文中，我们经验证明了这种方法的有效性，显示与现有的方法和视频生成结果的不同动漫人物在1024x1024的目标姿态序列的基础上的比较。我们还使用Unity 3D Avatar模型创建了一个包含全身1024x1024高分辨率图像和精确2D姿势关键点的新数据集。
2018-09-06 cs.CV cs.GR cs.LG
