Guiding GANs: How to control non-conditional pre-trained GANs for conditional image generation
La Salle - Universitat Ramon Llull（拉蒙·柳利大学拉萨尔学院）
生成对抗网络（GANs）是由两个神经网络--生成器和神经网络--组成的一种结构，它们被联合训练，从随机输入中生成人工数据，如图像。这些生成的图像的质量最近已经达到了这样的水平，经常会导致机器和人类将假的误认为真实的例子。然而，当我们想要调节网络以从特定类别的子类别生成图像时，GAN的生成器执行的过程有一些限制。最近的一些方法通过在训练过程之前引入额外的信息（例如图像语义分割或文本描述）来解决该\textit{conditional generation}。虽然成功，这些技术仍然需要预先定义所需的子类别，并收集表示它们的大型标记图像数据集，以从头开始训练GAN。在本文中，我们提出了一种新的替代方法，用于指导通用的非条件GANs表现为条件GANs。我们的方法不是重新训练GAN，而是将编码器网络添加到混合中以生成高维随机输入向量，这些向量被馈送到非条件GAN的生成器网络，以使其从特定子类别生成图像。在我们的实验中，与从头开始训练条件GAN相比，我们的引导式GAN能够在训练编码器后生成感知质量与非条件GANs相当的人工图像，这大大加快了过程，并能够无缝添加新的子类别。
2021-01-04 cs.CV cs.LG eess.IV
Conditional GANs with Auxiliary Discriminative Classifier
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）
条件生成模型旨在学习数据和标签的潜在联合分布，以实现条件数据生成。其中，辅助分类器生成对抗网络（AC-GAN）得到了广泛的应用，但存在生成样本类内多样性低的问题。本文指出的根本原因是AC-GAN的分类器是生成器不可知的，因此不能为生成器提供信息指导以接近联合分布，从而导致条件熵最小化，从而降低了类内多样性。出于这种理解，我们提出了一种新的条件GAN与辅助判别分类器（ADC-GAN），以解决上述问题。具体来说，所提出的辅助判别分类器成为发电机知道通过识别的类标签的真实数据和生成的数据有区别地。我们的理论分析表明，该生成器可以忠实地学习的联合分布，即使没有原来的卷积，使建议的ADC-GAN的系数超参数的值和选择的GAN损失的鲁棒性，并在训练过程中稳定。在合成和真实世界数据集上的大量实验结果表明，与最先进的基于分类器和基于投影的条件GANs相比，ADC-GAN在条件生成建模方面具有优越性。
2022-06-17 cs.CV cs.LG
On the Performance of Generative Adversarial Network (GAN) Variants: A Clinical Data Study
Korea University（高丽大学）；Georgia Institute of Technology（佐治亚理工学院）；Case Western Reserve University（凯斯西储大学）；University of Central Florida（中佛罗里达大学）
生成对抗网络（GAN）是一种有用的神经网络类型，用于各种类型的应用，包括生成模型和特征提取。各种类型的GANs正在以不同的见解进行研究，从而产生了各种各样的GANs家族，每一代都有更好的性能。本文重点介绍了各种GANs的共同特征分类。
2020-09-21 cs.AI cs.LG cs.NE
cCorrGAN: Conditional Correlation GAN for Learning Empirical Conditional Distributions in the Elliptope
ESILV - École Supérieure d’Ingénieurs Léonard de Vinci（ESILV - 莱昂纳多·达·芬奇高等工程师学院）；Sony Computer Science Laboratories Inc（索尼计算机科学实验室公司）
提出了一种基于条件生成对抗网络的相关矩阵椭圆域条件分布近似方法。我们说明的方法与应用程序从量化金融：蒙特卡罗模拟的相关回报率比较基于风险的投资组合的建设方法。最后，我们讨论了目前的局限性，并主张进一步探索的椭圆几何，以改善结果。
2021-07-22 cs.LG q-fin.ST
Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
本研究针对联邦条件GAN，提出并验证了标签翻转及过采样变体攻击，发现其语义损害随中毒强度线性增长、分布偏差二次增长，攻击有效且难检测。
2026-08-11 cs.LG
OCT-GAN: Neural ODE-based Conditional Tabular GANs
Yonsei University（延世大学）
综合表格数据是吸引了很多注意力，这些天来为各种目的。例如，利用增强的合成数据，可以增强其训练数据。在过去的几年里，表格数据合成技术有了很大的改进。最近的工作在解决综合表格数据方面的许多问题方面取得了进展，如分布不平衡和多模态问题。然而，国家的最先进的方法的数据效用还不令人满意。在这项工作中，我们显着提高了效用，设计我们的发电机和基于神经常微分方程（NODE）。在表明节点有理论上的首选特性生成表格数据后，我们介绍了我们的设计。基于节点的分类器执行基于隐向量进化的分类，而不是仅在最后一层使用隐向量进行分类。我们的生成器还在其架构的最开始采用ODE层来转换其初始输入向量（即，在我们的情况下是噪声向量和条件向量的连接）到适合于生成过程的另一个潜在向量空间上。我们用13个数据集进行实验，包括但不限于保险欺诈检测，在线新闻文章预测等，我们提出的方法在我们的分类，回归和聚类实验的许多情况下优于其他最先进的表格数据合成方法。
2021-05-31 cs.LG
Robust Conditional GAN from Uncertainty-Aware Pairwise Comparisons
Rutgers University（罗格斯大学）；The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Tencent YouTu Lab（腾讯优图实验室）；JD Finance America Corporation（京东金融美国公司）
在过去的几年里，条件生成对抗网络表现出了卓越的生成性能。然而，它们需要大量的注释。为了解决这个问题，我们提出了一种新的生成对抗网络，利用成对比较（PC-GAN）形式的弱监督进行图像属性编辑。通过贝叶斯不确定性估计和抗噪对抗训练，PC-GAN能够有效地估计属性等级，并具有较强的抗噪能力。通过大量的实验，我们定性和定量地证明了PC-GAN在完全监督的方法下表现出色，并且优于无监督的基线。
2020-03-05 cs.CV cs.LG
GANs for learning from very high class conditional noisy labels
IIT Bombay（印度理工学院孟买分校）
我们使用生成对抗网络（GANs）来设计一个类条件标签噪声（CCN）鲁棒的二进制分类方案。它首先从噪声标记数据和0.1%或1%的干净标签中生成一组正确标记的数据点，使得生成的和真实（干净）标记的数据分布接近;生成的标记数据用于学习一个好的分类器。通过使用Wasserstein GAN和一个简单的数据表示变化，避免了在生成正确的特征标签对时的模式坍塌问题和偏斜的特征标签维数比（$\sim$ 784：1）的问题。另一个WGAN与信息理论的味道上的新的表示也提出了。这两种方案的主要优点是，在存在非常高的CCN速率的情况下，它们比现有方案有显著的改进，而无需对噪声速率进行估计或交叉验证。我们证明了清洁和噪声分布之间的KL分歧增加w.r.t.对称标签噪声模型中的噪声速率;可以扩展到高CCN速率。这意味着我们的方案由于GANs的对抗性而表现良好。此外，在处理噪声的同时使用生成方法（学习干净的联合分布）使我们的方案能够比GLC，LCE和GCE等判别方法表现得更好;即使在类高度不平衡的情况下。使用Friedman F检验和Nemenyi posthoc检验，我们表明，在高维二进制类合成，MNIST和Fashion MNIST数据集上，我们的方案优于现有的方法，并在噪声率上表现出一致的性能。
2020-10-19 cs.LG
Information-theoretic stochastic contrastive conditional GAN: InfoSCC-GAN
University of Geneva（日内瓦大学）
条件生成是生成问题的一个子类，其中生成的输出是由属性信息条件。在本文中，我们提出了一个随机对比条件生成对抗网络（InfoSCC-GAN）与可探索的潜在空间。InfoSCC-GAN架构基于InfoNCE范式构建的无监督对比编码器，属性分类器和EigenGAN生成器。我们提出了一种新的训练方法，基于发电机正则化使用外部或内部属性的每$n$次迭代，使用一个预先训练的对比编码器和一个预先训练的分类器。所提出的InfoSCC-GAN是基于输入数据和潜在空间表示以及潜在空间和生成数据之间的互信息最大化的信息理论公式推导出来的。因此，我们证明了训练目标函数和上述信息理论公式之间的联系。实验结果表明，InfoSCC-GAN在AFHQ和CelebA数据集上的图像生成性能优于“香草”EigenGAN。此外，我们还通过消融研究调查了消融结构和损失函数的影响。最后，我们证明了由于EigenGAN生成器，所提出的框架与香草确定性GANs相比具有随机生成，但与现有框架相比，编码器，分类器和生成器的独立训练。代码、实验结果和演示可在https://github.com/vkinakh/InfoSCC-GAN上获得。
2021-12-17 cs.CV cs.LG
ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional Generative Adversarial Networks
University of Nevada, Reno（内华达大学雷诺分校）；Deakin University（迪肯大学）
心电图（ECG）采集需要一个自动化系统和分析管道，以了解特定的心律失常。深度神经网络已经成为追踪ECG信号的流行技术，其性能超过了人类专家。尽管如此，卷积神经网络容易受到对抗性样本的影响，这些样本可能会对ECG信号进行错误分类，并降低模型的精度。此外，它们在分布外数据集上的推广效果不好。GAN架构已在最近的工作中被用于合成对抗性ECG信号以增加现有的训练数据。然而，他们使用一个脱节的基于CNN的分类架构来检测心律失常。到目前为止，还没有提出可以同时检测对抗性样本和分类心律失常的通用架构。为了缓解这一问题，我们提出了一种新的条件生成对抗网络，以同时生成不同类别的ECG信号并检测心脏异常。此外，该模型以特定类别的ECG信号为条件，以合成现实的对抗性示例。因此，我们比较了我们的架构，并通过对真实世界和对抗性信号进行基准测试，展示了它在正常/异常ECG信号检测中优于其他分类模型。
2021-10-19 cs.LG
A Conditional GAN for Tabular Data Generation with Probabilistic Sampling of Latent Subspaces
School of Science and Technology, International Hellenic University（国际希腊大学科学与技术学院）
本文提出ctdGAN，通过概率采样策略和新损失函数缓解表格数据类别不平衡问题，生成高质量样本并提升分类准确率。
2026-09-01 cs.LG
A Deep Learning Approach to Private Data Sharing of Medical Images Using Conditional GANs
Purdue University（普渡大学）；Novartis（诺华）；Oxford Big Data Institute（牛津大数据研究所）
共享临床研究数据可以促进创新的数据驱动研究，并最终改善公共卫生。然而，共享生物医学数据可能会使敏感的个人信息面临风险。这通常通过匿名化来解决，这是一个缓慢而昂贵的过程。匿名化的另一种选择是共享一个合成数据集，该数据集具有与真实数据类似的行为，但保留了隐私。作为诺华和牛津大数据研究所合作的一部分，我们基于COSENTYX（阿基诺单抗）强直性脊柱炎临床研究生成了一个合成数据集。我们应用辅助分类器GAN来生成脊椎单位的合成MRI。图像以VU位置（颈椎、胸椎和腰椎）为条件。在本文中，我们提出了一种生成合成数据集的方法，并沿着三个关键指标：图像保真度，样本多样性和数据集隐私对其属性进行了深入分析。
2021-08-19 cs.LG
S2cGAN: Semi-Supervised Training of Conditional GANs with Fewer Labels
Microsoft Research India（微软印度研究院）
生成对抗网络（GANs）在学习复杂的高维实数分布和生成真实样本方面非常成功。但是，它们对生成过程的控制有限。条件GANs（cGANs）提供了一种通过根据用户定义的输入调节输出来控制生成过程的机制。虽然训练GANs只需要无监督的数据，但训练cGANs需要标记的数据，这可能非常昂贵。我们提出了一个cGAN的半监督训练框架，它利用稀疏标签来学习条件映射，同时利用大量的无监督数据来学习无条件分布。我们证明了我们的方法在多个数据集和不同的条件任务的有效性。
2020-10-23 cs.CV cs.LG stat.ML
Class Conditional Time Series Generation with Structured Noise Space GAN
University of Kaiserslautern-Landau（凯泽斯劳滕-兰道大学）；IAV GmbH（IAV有限公司）；DFKI GmbH（德国人工智能研究中心有限公司）
本文提出SNS-GAN，通过将类条件嵌入生成器噪声空间，实现无需结构修改的类条件图像与时间序列生成，并在时间序列生成上优于基线模型。
2023-12-20 cs.LG stat.ML
City-GAN: Learning architectural styles using a custom Conditional GAN architecture
生成对抗网络（GANs）是一种众所周知的技术，它在样本（例如水果图片）上进行训练，并且在训练后能够生成逼真的新样本。条件GANs（CGAN）还为子类（例如苹果、橙子、梨）提供标签信息，这使得GAN能够更容易地学习并提高其输出样本的质量。我们使用GANs来学习主要城市的建筑特征，并生成不存在的建筑物的图像。我们表明，目前可用的GAN和CGAN架构不适合这项任务，并提出了一个自定义的架构，并证明我们的架构具有优越的性能，这项任务，并验证其功能与广泛的实验。
2020-05-26 cs.CV cs.GR cs.LG
Conditional GANs For Painting Generation
The University of Edinburgh（爱丁堡大学）
我们研究了现代生成对抗网络的使用，以使用Painter By Numbers数据集生成油画的新图像。我们实现了谱归一化GAN（SN-GAN）和带梯度惩罚的谱归一化GAN，并将它们的输出与深度卷积GAN进行了比较。根据切片Wasserstein距离度量，在视觉上和定量上，我们确定SN-GAN产生的绘画与我们的训练数据集最具可比性。然后，我们进行了一系列实验，将监督条件作用添加到SN-GAN中，我们认为这是一种新颖的架构，可以生成具有用户指定特征的人脸绘画。
2019-03-06 cs.CV cs.LG stat.ML
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
Enhancing the Robustness of Deep Neural Networks by Boundary Conditional GAN
Peking University（北京大学）；Beijing Institute of Big Data Research (BIBDR)（北京大数据研究院）；Shanghai Jiaotong University（上海交通大学）
深度神经网络已被广泛部署在各种机器学习任务中。然而，最近的研究表明，它们容易受到对抗性例子的影响：精心制作的小扰动会导致网络的错误分类。在这项工作中，我们提出了一种新的防御机制，称为边界条件GAN，以增强深度神经网络对对抗性示例的鲁棒性。边界条件GAN是条件GAN的一个改进版本，可以在预训练分类器的决策边界附近生成具有真实标签的边界样本。这些边界样本被馈送到预先训练的分类器作为数据增强，以使决策边界更鲁棒。我们的经验表明，我们的方法改进的模型一致地成功抵御各种类型的对抗攻击。进一步的定量调查的鲁棒性和可视化的决策边界的改善也提供了证明我们的策略的有效性。这种利用边界样本增强网络鲁棒性的新防御机制为一致防御对抗攻击开辟了一条新途径。
2019-02-28 cs.LG stat.ML
A Hybrid Approach on Conditional GAN for Portfolio Analysis
几十年来，马科维茨框架在投资组合分析中得到了广泛的应用，但它过于强调对市场不确定性的分析，而不是对趋势的预测。而生成对抗网络（GAN）、条件GAN（CGAN）和自动编码CGAN（ACGAN）已被探索用于生成金融时间序列并提取有助于投资组合分析的特征。CGAN或ACGAN框架的局限性在于过于强调生成序列和发现序列的内部趋势，而不是预测未来趋势。在本文中，我们介绍了一种基于深度生成模型的条件GAN混合方法，该方法在对市场不确定性和未来趋势建模的同时学习历史数据的内部趋势。我们评估了来自美国和欧洲市场的几个真实世界的数据集的模型，并表明，建议的HybridCGAN和HybridACGAN模型导致更好的投资组合分配相比，现有的Markowitz，CGAN和ACGAN的方法。
2022-07-13 cs.LG q-fin.PM
Harmonizing Maximum Likelihood with GANs for Multimodal Conditional Generation
Seoul National University（首尔国立大学）
条件图像生成任务的最新进展，如图像到图像的翻译和图像修补，在很大程度上是由于条件GAN模型的成功，这往往是优化的联合使用的GAN损失与重建损失。然而，我们发现，几乎所有现有方法共享的这种训练配方会导致一个关键的副作用：输出样本缺乏多样性。为了实现训练稳定性和多模态输出生成，我们提出了一种新的训练方案，其中包含一组新的损失，称为矩重构损失，可以简单地取代重构损失。我们表明，我们的方法是适用于任何条件生成任务进行彻底的实验图像到图像的翻译，超分辨率和图像修补使用Cityscapes和CelebA数据集。定量评估还证实，我们的方法实现了输出的多样性，同时保留甚至提高了生成的样本的视觉保真度。
2019-02-25 cs.LG stat.ML
TTS-CGAN: A Transformer Time-Series Conditional GAN for Biosignal Data Augmentation
Texas State University（德克萨斯州立大学）
以时间序列形式出现的信号测量是医学机器学习应用中最常见的数据类型之一。这样的数据集通常很小，收集和注释成本很高，并且可能涉及隐私问题，这阻碍了我们为生物医学应用训练大型、最先进的深度学习模型的能力。对于时间序列数据，我们可以用来扩展数据集大小的一套数据增强策略受到保持信号基本属性的需要的限制。生成对抗网络（GANs）可以用作另一种数据增强工具。在本文中，我们提出了TTS-CGAN，一个基于变换的条件GAN模型，可以在现有的多类数据集上进行训练，并生成任意长度的特定于类的合成时间序列。详细阐述了模型的体系结构和设计策略。该模型生成的合成序列与真实序列没有区别，可以用来补充或替换同类型的真实信号，从而达到数据增强的目的。为了评估生成的数据的质量，我们修改了小波相干度量，以便能够比较两组信号之间的相似性，并且还进行了一个案例研究，其中使用合成数据和真实数据的混合来训练序列分类的深度学习模型。与其他可视化技术和定性评估方法一起，我们证明了TTS-CGAN生成的合成数据与真实数据相似，并且我们的模型比其他最先进的GAN模型更好地用于时间序列数据生成。
2022-06-28 cs.LG
CTAB-GAN: Effective Table Data Synthesizing
TU Delft（代尔夫特理工大学）；Aegon（全球保险集团（Aegon））；ABB Research Switzerland（ABB瑞士研究院）
虽然数据共享对知识发展至关重要，但隐私问题和严格的监管（例如，欧洲通用数据保护条例（GDPR））限制了其有效性。合成表格数据作为一种替代方案出现，以实现数据共享，同时满足监管和隐私限制。最先进的表格数据合成器从生成对抗网络（GAN）中提取方法，并解决行业中的两种主要数据类型，即，连续的和分类的。在本文中，我们开发了CTAB-GAN，一种新的条件表GAN架构，可以有效地建模不同的数据类型，包括连续和分类变量的混合。此外，我们还解决了数据不平衡和长尾问题，即，某些变量在大值上具有剧烈的频率差异。为了实现这些目标，我们首先引入信息损失和分类损失的条件GAN。其次，我们设计了一个新的条件向量，它有效地编码混合数据类型和数据变量的偏态分布。我们广泛评估CTAB-GAN与最先进的GANs，生成合成表，在数据相似性和分析效用方面。在五个数据集上的结果表明，CTAB-GAN的合成数据与所有三种类型变量的真实数据非常相似，并导致五种机器学习算法的准确性提高了17%。
2021-05-31 cs.LG
Decision-Aware Conditional GANs for Time Series Data
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
我们引入决策感知的时间序列条件生成对抗网络（DAT-CGAN）作为时间序列生成的方法。该框架采用了多Wasserstein损失结构化决策相关的数量，捕捉决策相关的数据的异质性，并提供新的有效性，在支持最终用户的决策过程。我们通过重叠块采样方法提高了样本效率，并从理论上描述了DAT-CGAN的泛化性能。金融时间序列的多时间步投资组合选择问题的框架证明。我们在基础数据和不同的决策相关量方面表现出比基于GAN的强大基线更好的生成质量。
2023-02-04 cs.LG stat.ML
Learning the conditional law: signatures and conditional GANs in filtering and prediction of diffusion processes
Maxwell Institute for Mathematical Sciences（麦克斯韦数学科学研究所）
我们考虑扩散过程的滤波和预测问题。信号和观测由相关维纳过程驱动的随机微分方程（SDEs）建模。在经典估计理论中，测量值随机偏微分方程（SPDE）推导出的过滤和预测措施。这些方程可能很难用数值求解。我们提供了一个近似算法，使用条件生成对抗网络（GANs）结合签名，粗糙路径理论的对象。一条足够平滑的路径的特征完全决定了该路径。因此，在某些情况下，基于签名的GANs已被证明可以有效地近似随机过程的规律。对于我们的算法，我们扩展了这种方法的样本从条件的法律，噪声，部分观察。我们的发电机构造使用神经微分方程（NDEs），依靠其通用逼近器的属性。我们显示适定性提供了一个严格的数学框架。数值结果表明了算法的有效性。
2022-09-15 cs.LG math.OC stat.ML
Bayesian Conditional Generative Adverserial Networks
The University of Adelaide（阿德莱德大学）；Queensland University of Technology（昆士兰科技大学）；CMU（卡内基梅隆大学）
传统的GANs使用确定性生成器函数（通常是神经网络）将随机噪声输入$z$转换为采样器试图区分的样本$\mathbf{x}$。我们提出了一种新的GAN，称为贝叶斯条件生成对抗网络（BC-GAN），它使用随机生成器函数将确定性输入$y'$转换为样本$\mathbf{x}$。我们的BC-GANs将传统的GANs扩展到贝叶斯框架，并自然地处理无监督学习，监督学习和半监督学习问题。实验表明，所提出的BC-GANs优于最先进的。
2017-06-17 cs.AI cs.LG stat.ML
DSS-GAN: Directional State Space GAN with Mamba backbone for Class-Conditional Image Synthesis
Warsaw University of Technology（华沙技术大学）；National Centre for Nuclear Research（国家核物理研究所）
DSS-GAN引入了定向潜在路由机制，通过分解潜在向量并结合类别嵌入，提升图像合成的FID、KID和精度召回率。
2026-03-18 cs.CV cs.LG
GeMM-GAN: A Multimodal Generative Model Conditioned on Histopathology Images and Clinical Descriptions for Gene Expression Profile Generation
GeMM-GAN通过结合图像和文本信息生成逼真的基因表达谱，提升疾病预测准确性。
2026-01-21 cs.AI cs.CV cs.LG
Autoencoding Conditional GAN for Portfolio Allocation Diversification
几十年来，马科维茨框架在投资组合分析中得到了广泛的应用，但它过于强调对市场不确定性的分析，而不是对趋势的预测。而生成对抗网络（GAN）和条件GAN（CGAN）已经被探索用于生成金融时间序列并提取有助于投资组合分析的特征。CGAN框架的局限性在于过于强调生成系列，而不是保留可以帮助生成器的功能。在本文中，我们介绍了一种基于深度生成模型的自动编码CGAN（ACGAN），它可以学习历史数据的内部趋势，同时对市场的不确定性和未来趋势进行建模。我们评估了来自美国和欧洲市场的几个真实世界的数据集的模型，并表明，拟议的ACGAN模型导致更好的投资组合分配，并产生一系列更接近真实的数据相比，现有的Markowitz和CGAN方法。
2022-06-17 cs.LG q-fin.PM
Bootstrapping Conditional GANs for Video Game Level Generation
New York University（纽约大学）；IT University of Copenhagen（哥本哈根信息技术大学）
生成对抗网络（GANs）在图像生成方面表现出了令人印象深刻的结果。然而，GANs在生成具有某些类型约束（例如游戏级别）的内容时面临挑战。具体来说，很难生成具有美学吸引力和可玩性的水平。此外，由于训练数据通常是有限的，因此用当前的GANs生成唯一的水平是具有挑战性的。本文提出了一种新的GAN结构--条件嵌入自注意生成对抗网络（CESA GAN）和一种新的自举训练过程。CESA GAN是自注意GAN的一种改进，它引入了一个嵌入特征向量输入来调节鉴别器和生成器的训练。这允许网络对游戏对象之间的非局部依赖进行建模，并对对象进行计数。此外，为了减少训练GAN所需的级别数量，我们提出了一种自举机制，其中可播放的生成级别被添加到训练集。结果表明，与标准GAN相比，新方法不仅生成了更多的可玩关卡，而且生成了更少的重复关卡。
2019-10-03 cs.LG cs.NE
EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes
University of Maryland, College Park（马里兰大学College Park分校）
研究针对3D室内无线通信电磁仿真问题，提出EM-GANSim方法，用改进条件GAN结合电磁理论预测功率分布，经多场景评估具有高准确率和低计算时间，是首个此类实时算法，还将发布代码和数据集。
2026-07-16 cs.LG eess.SP
Efficient Subsampling of Realistic Images From GANs Conditional on a Class or a Continuous Variable
University of British Columbia（不列颠哥伦比亚大学）
最近，已经积极研究了从无条件GANs生成的子采样或细化图像，以提高整体图像质量。不幸的是，这些方法在处理条件GANs（cGANs）时通常被观察到效率较低或效率较低-以类（又名类条件GANs）或连续变量（又名连续cGANs或Cc GANs）为条件。在这项工作中，我们引入了一种有效且高效的子采样方案，称为条件密度比引导拒绝采样（cDR-RS），以从cGAN中采样高质量图像。具体而言，我们首先开发了一种新的条件密度比估计方法，称为cDRE-F-cSP，提出了条件Softplus（cSP）损失和改进的特征提取机制。然后，我们推导出一个密度比模型训练的cSP损失的误差界。最后，我们接受或拒绝一个假的图像在其估计的条件密度比。还开发了一种过滤方案，以增加假图像的标签一致性，而不会在从CcGAN采样时失去多样性。我们在五个基准数据集上广泛测试了cDR-RS在类条件GANs和Cc GANs采样中的有效性和效率。当从类条件GANs中采样时，cDR-RS在有效性方面远远优于现代最先进的方法（DRE-F-SP+RS除外）。虽然cDR-RS的有效性通常与DRE-F-SP+RS相当，但cDR-RS的效率要高得多。当从CcGAN采样时，cDR-RS的优势在有效性和效率方面更加明显。值得注意的是，在消耗合理的计算资源的情况下，cDR-RS可以在不降低CcGAN生成的图像的多样性的情况下大幅降低标签分数，而其他方…
2022-04-20 cs.CV cs.LG stat.ML
Taming the Tail in Class-Conditional GANs: Knowledge Sharing via Unconditional Training at Lower Resolutions
Oregon State University（俄勒冈州立大学）；ETH Zürich（苏黎世联邦理工学院）；McGill University（麦吉尔大学）
本文针对长尾数据下类条件 GAN 偏向头部类别的问题，提出让生成器低分辨率层无条件训练、高分辨率层保留类条件生成的知识共享方法，显著提升图像多样性与保真度。
2024-06-16 cs.AI cs.CV cs.LG
The efficacy and generalizability of conditional GANs for posterior inference in physics-based inverse problems
University of Southern California（南加州大学）；Stanford University（斯坦福大学）
在这项工作中，我们训练条件Wasserstein生成对抗网络，以有效地从基于物理的贝叶斯推断问题的后验中采样。该生成器使用U-Net架构构建，使用条件实例规范化注入潜在信息。前者便于多尺度逆映射，而后者使潜在空间维度与测量维度解耦，并在所有尺度上引入随机性。我们解决基于偏微分方程的逆问题，以证明我们的方法在量化推断领域的不确定性的性能。此外，我们还证明了生成器可以学习本质上是局部的逆映射，这反过来又促进了在使用分布外样本进行测试时的泛化能力。
2022-11-18 cs.LG stat.ML
High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs
NVIDIA Corporation（英伟达公司）；UC Berkeley（加州大学伯克利分校）
我们提出了一种使用条件生成对抗网络（条件GANs）从语义标签映射合成高分辨率照片级真实感图像的新方法。条件GANs已经实现了各种应用，但结果往往局限于低分辨率，而且还远远不现实。在这项工作中，我们生成了2048 x1024视觉上吸引人的结果，具有新颖的对抗性损失，以及新的多尺度生成器和多尺度架构。此外，我们扩展了我们的框架，交互式视觉操纵两个额外的功能。首先，我们将对象实例分割信息，这使得对象操作，如删除/添加对象和改变对象类别。第二，我们提出了一种方法，以产生不同的结果给出相同的输入，允许用户交互式地编辑对象的外观。人类意见研究表明，我们的方法显著优于现有方法，提高了深度图像合成和编辑的质量和分辨率。
2018-08-20 cs.CV cs.GR cs.LG
Conditional GAN for timeseries generation
Florida Institute of Technology（佛罗里达理工学院）
很明显，时间相关数据是世界上重要的信息来源。对于机器学习中的应用来说，挑战在于获得算法开发和分析所需的大量高质量数据。使用生成对抗网络（GAN）对合成数据进行建模一直是提供可行解决方案的核心。我们的工作集中在一维时间序列，并探讨了Few Shot方法，这是一个算法的能力，执行有限的数据。这项工作试图通过提出一种新的架构，时间序列GAN（TSGAN），以模拟现实的时间序列数据，以减轻挫折感。我们评估TSGAN从基准时间序列数据库的70个数据集。我们的研究结果表明，TSGAN表现优于竞争对手，无论是定量使用弗雷歇初始得分（FID）度量，定性分类时，作为评估标准。
2020-06-30 cs.LG stat.ML
Conditional COT-GAN for Video Prediction with Kernel Smoothing
London School of Economics（伦敦政治经济学院）；ETH Zurich（苏黎世联邦理工学院）
因果最优运输（COT）是在经典的最优运输问题上施加时间因果约束的结果，它自然地产生了一个新的概念，即路径空间上分布之间的距离。Xu等人（2020）首次将COT理论应用于顺序学习，其中COT-GAN被引入作为对抗算法，用于训练优化的隐式生成模型以产生顺序数据。依靠（Xu et al.，2020年），本文的贡献是双重的。首先，我们开发了一个适合序列预测的COT-GAN的条件版本。这意味着现在使用数据集来了解序列在观察其过去演变的情况下将如何演变。其次，我们通过核平滑修改经验测量来改进收敛结果（Pflug and Pichler（2016））。所得到的内核条件COT-GAN算法与视频预测的应用程序进行说明。
2022-01-27 cs.AI cs.CV cs.LG
Detecting Invasive Ductal Carcinoma with Semi-Supervised Conditional GANs
University of New Hampshire（新罕布什尔大学）
浸润性导管癌（IDC）占所有乳腺癌的近80%。IDC的检测是确定癌症的侵袭性、确定治疗方案和预测患者结果的必要预处理步骤，并且通常由专家病理学家手动执行。在这里，我们描述了一种使用半监督条件生成对抗网络（cGAN）自动检测IDC的新算法。该框架在基线CNN上提高一系列指标的分数方面简单有效。
2021-03-30 cs.CV cs.LG eess.IV
Augmenting High-dimensional Nonlinear Optimization with Conditional GANs
Stanford University（斯坦福大学）
由于维数灾难的存在，许多数学优化算法不能充分挖掘高维非线性优化问题的解空间。本文提出生成模型作为优化算法的补充，以提高性能的问题，高维。为了证明这种方法，一个条件生成对抗网络（C-GAN）是用来增强的解决方案所产生的遗传算法（GA）的311维非凸多目标混合整数非线性优化。C-GAN由具有三个完全连接的隐藏层的两个网络组成，在GA生成的解决方案上进行训练，然后给出所需标签的集合（即，目标函数值）生成对应于这些标签的互补解。六个实验进行了评估所提出的方法的能力。生成的互补的解决方案相比，原始的解决方案的最优性和多样性。生成模型生成的解决方案的目标函数比原始解决方案好100%，超体积比原始解决方案高100%。这些发现表明，即使是具有简单训练方法和架构的C-GAN，也可以在更短的运行时间内，极大地提高高维非线性优化问题的优化算法所找到的解决方案的多样性和最优性。[Link到GitHub存储库：https：//github.com/PouyaREZ/GAN_GA]
2021-05-04 cs.LG cs.NE
Conditional Sampling with Monotone GANs: from Generative Models to Likelihood-Free Inference
California Institute of Technology（加州理工学院）；University of Washington（华盛顿大学）；NVIDIA（英伟达）；Massachusetts Institute of Technology（麻省理工学院）
本文提出基于分块三角传输映射的条件采样框架，构建 Banach 空间理论并设计仅依赖联合样本的无似然 M-GAN，在逆问题与图像修复中实现准确条件采样。
2023-06-05 cs.LG stat.CO stat.ML
Modeling Tabular data using Conditional GAN
MIT LIDS（麻省理工学院信息与决策系统实验室）；MRC-BSU, University of Cambridge（剑桥大学MRC生物统计组）；Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）
对表格数据中行的概率分布进行建模并生成真实的合成数据是一项重要的任务。表格数据通常包含离散列和连续列的混合。连续柱可能具有多种模式，而离散柱有时不平衡，使得建模困难。现有的统计和深度神经网络模型无法正确地对这类数据进行建模。我们设计了TGAN，它使用条件生成对抗网络来解决这些挑战。为了帮助进行公平和彻底的比较，我们设计了一个基准测试，其中包含7个模拟数据集和8个真实数据集以及多个贝叶斯网络基线。TGAN在大多数真实数据集上优于贝叶斯方法，而其他深度学习方法则不能。
2019-10-28 cs.LG stat.ML
GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences
University of Maryland, College Park（马里兰大学学院公园分校）；Massachusetts Institute of Technology（麻省理工学院）
生成对抗网络（GANs）是学习数据集底层分布的现代方法。GANs已广泛用于样本合成、去噪、域转移等。然而，GANs是以无模型的方式设计的，其中没有关于底层分布的附加信息可用。然而，在许多应用中，从业者可以访问变量的基本独立图，无论是贝叶斯网络还是马尔可夫随机场（MRF）。我们问：如何在设计基于模型的GANs时使用这些额外的信息？在本文中，我们提供了理论基础来回答这个问题，通过研究概率发散的次可加性性质，建立了两个高维分布之间的距离上界的贝叶斯网络或MRF的图形结构的（局部）邻域的边缘之间的距离之和。我们证明了几个流行的概率发散满足一些概念的次可加性在温和的条件下。这些结果导致了基于模型的GAN的原则性设计，该设计在贝叶斯网络/MRF的邻域上使用一组简单的鉴别器，而不是在整个网络上使用一个巨大的鉴别器，从而提供了显着的统计和计算优势。我们在合成和真实世界数据集上的实验证明了我们基于模型的GANs原则性设计的好处。
2021-02-25 cs.LG stat.ML
Twin Auxiliary Classifiers GAN
University of Pittsburgh（匹兹堡大学）；Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
条件生成模型在过去的几年里取得了显著的进展。其中一个流行的条件模型是辅助分类器GAN（AC-GAN），它通过用辅助分类器扩展GAN的损失函数来生成高分辨力的图像。然而，AC-GAN生成的样本的多样性往往会随着类别数量的增加而减少，从而限制了其对大规模数据的处理能力。本文从理论上分析了低分集问题的根源，并提出了一种切实可行的解决方案。我们证明了AC-GAN中的辅助分类器具有完美的可分性，当类分布的支持有显著重叠时，这是不利的。为了解决这个问题，我们提出了双辅助分类器生成对抗网络（TAC-GAN），它进一步受益于与GAN中的其他玩家（生成器和代理）进行交互的新玩家。理论上，我们证明了TAC-GAN可以有效地最大限度地减少生成的和真实数据分布之间的分歧。大量的实验结果表明，我们的TAC-GAN可以成功地复制模拟数据上的真实数据分布，并显着提高了真实数据集上的类条件图像生成的多样性。
2019-11-04 cs.LG stat.ML
Applications of Generative Adversarial Networks in Neuroimaging and Clinical Neuroscience
University of Pennsylvania（宾夕法尼亚大学）；Center for AI and Data Science for Integrated Diagnostics（综合诊断人工智能与数据科学中心）；Center for Biomedical Image Computing and Analytics（生物医学图像计算与分析中心）
生成对抗网络（GANs）是一种强大的深度学习模型，已成功应用于许多领域。它们属于一个更广泛的家族，称为生成方法，它通过从真实示例中学习样本分布来生成具有概率模型的新数据。在临床背景下，与传统的生成方法相比，GANs在捕获空间复杂、非线性和潜在微妙的疾病影响方面表现出了增强的能力。这篇综述评估了现有文献中的应用GANs在各种神经系统疾病的成像研究，包括阿尔茨海默病，脑肿瘤，脑老化，多发性硬化症。我们为每个应用程序提供了各种GAN方法的直观解释，并进一步讨论了在神经成像中利用GANs的主要挑战，开放性问题和有前途的未来方向。我们的目标是通过强调如何利用GANs来支持临床决策，并有助于更好地理解大脑疾病的结构和功能模式，来弥合先进的深度学习方法和神经学研究之间的差距。
2023-01-29 cs.CV cs.LG eess.IV
Validating GAN-BioBERT: A Methodology For Assessing Reporting Trends In Clinical Trials
University of Wisconsin School of Medicine and Public Health（威斯康星大学医学院与公共卫生学院）
在过去的十年里，有很多关于临床研究中的偏倚报告问题的讨论。尽管如此，已经有有限的工具开发的系统性评估的定性声明在临床研究中，大多数研究评估定性声明依赖于使用手动专家评分，这限制了他们的规模。此外，以前尝试开发更大规模的工具，如使用自然语言处理的工具，受到其准确性和用于对其发现进行分类的类别数量的限制。考虑到这些限制，本研究的目标是开发一种分类算法，该算法既适当准确又细粒度，可大规模应用于评估临床试验摘要中表达的定性情绪。此外，本研究旨在将所提出的算法GAN-BioBERT的性能与以前的研究以及临床试验摘要的专家手动评级进行比较。本研究开发了一种基于Transformers双向编码器表示（BERT）模型的半监督自然语言处理模型的临床试验摘要的三类情感分类算法。结果如下：使用该算法的分类准确率为91.3%，宏观F1分数为0.92，与以前的方法和专家评分相比，这在准确性上有了显着提高，同时也使情感分类比以前的研究更细。该算法GAN-BioBERT是一种适用于临床试验文献中定性陈述大规模评估的分类模型，为临床出版趋势的大规模研究提供了准确，可重复的工具。
2021-06-01 cs.CL cs.LG stat.ML
GAN-enhanced Conditional Echocardiogram Generation
University of British Columbia（不列颠哥伦比亚大学）
超声心动图（echo）是评估心脏状况的常用方法。由于标签的稀缺性，自动回声分析中的半监督范例越来越受欢迎。超声心动图中最受欢迎的问题之一是心脏结构（例如腔室）的分割。因此，我们提出了一种使用生成对抗网络的超声心动图生成方法，该网络具有基于条件块的神经网络。在这项工作中，我们验证了GAN增强回波生成在不同条件（分割掩模）下的可行性，即左心室，心室心肌和心房。实验结果表明，该算法可以生成高质量的回波帧，其心脏结构与给定的分割模板相匹配。这种方法有望促进其他机器学习模型的训练，就像类似研究中所建议的那样。
2019-11-23 cs.LG eess.IV stat.ML
Information Compensation for Deep Conditional Generative Networks
近年来，无监督/弱监督条件生成对抗网络（GANs）在建模和生成数据方面取得了许多成功。然而，它们的弱点之一在于它们分离或解开表征编码在其潜在空间中的表征的不同因素的能力很差。为了解决这个问题，我们提出了一种新的无监督条件GANs结构，该结构由一种新的信息补偿连接（IC-连接）驱动。所提出的IC连接使GANs能够补偿在去卷积操作期间发生的信息损失。此外，为了量化离散和连续潜变量的解纠缠程度，我们设计了一个新的评估程序。我们的实证结果表明，与有条件生成设置中的最先进的GANs相比，我们的方法实现了更好的解纠缠。
2022-03-06 cs.CV cs.LG stat.ML
Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs
ETH Zurich（苏黎世联邦理工学院）；Tri-Institutional Training Program in Computational Biology and Medicine, Weill Cornell Medical（威尔康奈尔医学院计算生物学与医学三机构联合培养项目）
生成对抗网络（GANs）作为训练模型以产生逼真数据的框架已经取得了显着的成功。在这项工作中，我们提出了一个经常性的GAN（RGAN）和经常性的条件GAN（RCGAN），以产生现实的实值多维时间序列，强调其应用于医疗数据。RGAN在生成器和递归神经网络中使用递归神经网络。在RCGAN的情况下，这两个RNN都以辅助信息为条件。我们在一组玩具数据集中展示了我们的模型，在那里我们直观地和定量地（使用样本可能性和最大平均差异）展示了它们可以成功地生成逼真的时间序列。我们还描述了GANs的新评估方法，其中我们生成一个合成的标记训练数据集，并在真实的测试集上评估在合成数据上训练的模型的性能，反之亦然。我们用这些指标说明，RCGAN可以生成对监督训练有用的时间序列数据，在真实测试数据上的性能只有轻微的下降。这是证明数字分类从“序列化”MNIST和训练的早期预警系统的医疗数据集的17,000名患者从重症监护病房。我们进一步讨论和分析的隐私问题时，可能会出现使用RCGAN生成现实的合成医疗时间序列数据。
2017-12-04 cs.LG stat.ML
End-to-End Conditional GAN-based Architectures for Image Colourisation
BBC Research & Development（英国广播公司研究与发展部）；Dublin City University（都柏林城市大学）
在这项工作中，研究了条件对抗网络的最新进展，以开发一种基于卷积神经网络（CNN）的端到端架构，将逼真的颜色直接映射到输入的灰度图像。观察到现有的着色方法有时表现出缺乏色彩，本文提出了一种方法来改善着色结果。特别是，该方法使用生成对抗神经网络（GANs），并专注于提高训练稳定性，以在大型多类图像数据集中实现更好的泛化。此外，在流行的U-Net架构中引入了generator和tags中的实例和批量规范化层的集成，提高了网络概括内容风格变化的能力。该方法已使用ILSVRC 2012数据集进行了测试，与基于GANs的其他方法相比，实现了改进的自动着色结果。
2019-09-05 cs.CV cs.LG eess.IV
Distributed Conditional GAN (discGAN) For Synthetic Healthcare Data Generation
University of Virginia（弗吉尼亚大学）；School of Data Science（数据科学学院）
本文提出分布式生成对抗网络discGAN，用于生成医疗领域的合成表格数据，实验证明其能有效建模非高斯多模态数据并生成分布高度相似于真实数据的合成记录。
2023-04-09 cs.AI cs.LG
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
RCC-GAN: Regularized Compound Conditional GAN for Large-Scale Tabular Data Synthesis
École de Technologie Supérieure (ÉTS), Université du Québec（魁北克大学高等技术学院）；Fédération des Caisses Desjardins du Québec（魁北克德信联合会）；University of Windsor（温莎大学）
本文介绍了一种新的生成式对抗网络（GAN），用于合成包含连续、离散和二进制等各种特征的大规模表格数据库。从技术上讲，我们的GAN属于具有预定义条件向量的类条件生成模型的类别。然而，我们提出了一个新的配方，用于推导这样一个向量，同时将二进制和离散功能。我们将这个崇高的定义称为复合条件向量，并将其用于训练生成器网络。该网络的核心架构是一个三层的深度残差神经网络与跳跃连接。为了提高这种复杂体系结构的稳定性，我们提出了一种正则化方案，以限制训练过程中权重向量的前所未有的变化。这种正则化方法与对抗训练的性质非常兼容，并且在运行时不会在计算上受到限制。此外，我们不断监测权重向量的变化，以识别任何潜在的不稳定性或不规则性，以衡量我们提出的正则化器的强度。为此，我们还开发了一个新的度量跟踪突然扰动的权重向量使用奇异值分解理论。最后，我们评估了我们提出的综合方法的性能六个基准表数据库，即成人，人口普查，HCDR，出租车，新闻，国王。所取得的结果证实，对于大多数情况下，我们提出的RccGAN在准确性，稳定性和可靠性方面优于其他传统和现代生成模型。
2022-05-24 cs.AI cs.DB cs.LG
Monte Carlo Simulation of SDEs using GANs
Centrum Wiskunde en Informatica (CWI)（荷兰国家数学与计算机科学研究中心）；Utrecht University（乌得勒支大学）；Delft University of Technology（代尔夫特理工大学）；Rabobank（荷兰合作银行）
生成对抗网络（GANs）在应用于偏微分方程和金融时间序列生成时表现出了很好的效果。我们研究了GANs是否也可以用来近似一维伊藤随机微分方程（SDEs）。我们提出了一个方案，近似的路径明智的条件分布的偏微分方程大的时间步长。标准的GANs只能近似分布过程，产生对分布的弱近似。提出了一种条件GAN架构，使强近似。我们用生成器的先前输入和相应的输出样本之间的映射来通知这个GAN的控制器，即我们引入了一个“监督GAN”。我们比较了标准GAN和监督GAN获得的输入输出图，并通过实验表明标准GAN可能无法提供路径近似。GAN在通过精确模拟获得的数据集上进行训练。该架构在几何布朗运动（GBM）和Cox-Ingersoll-Ross（CIR）过程上进行了测试。监督的GAN优于欧拉和Milstein计划在大时间步长的离散化上的强误差。在近似条件分布时，它也优于标准条件GAN。我们还演示了标准GANs如何产生对扰动敏感的非简约输入输出映射，这激发了对GAN生成器的约束和正则化的需求。
2021-04-03 cs.LG cs.NA math.NA
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
CellCycleGAN: Spatiotemporal Microscopy Image Synthesis of Cell Populations using Statistical Shape Models and Conditional GANs
RWTH Aachen University（亚琛工业大学）
时空显微图像的自动分析是生命科学研究的必然要求。深度学习的最新发展为自动分析此类图像数据提供了强大的工具，但在很大程度上取决于所提供的训练数据的数量和质量。为此，我们开发了一种新的方法，用于真实生成荧光标记细胞核的合成2D+t显微镜图像数据。该方法结合时空统计形状模型的不同细胞周期阶段的条件GAN产生的细胞群体的时间序列，并提供实例级控制的细胞周期阶段和荧光强度的产生的细胞。我们展示了GAN调节的效果，并创建了一组合成图像，这些图像可以很容易地用于细胞分割和跟踪方法的训练和基准测试。
2021-01-26 cs.CV cs.LG eess.IV
