O-GAN: Extremely Concise Approach for Auto-Encoding Generative Adversarial Networks
本文提出了正交生成对抗网络(O-GANs)。我们将编码器的网络进行正交分解,并在普通GANs的目标中添加额外的损失,这可以使编码器成为一个有效的编码器。同样的额外损失可以嵌入到任何类型的GANs中,并且几乎没有增加计算量。此外,我们讨论了我们的方法的原则,这是相对于充分利用剩余的自由度的时间。正如我们所知,我们的解决方案是训练一个具有自动编码能力的生成对抗网络的最简单方法。
2019-03-05 cs.CV cs.LG
Towards Understanding the Generative Capability of Adversarially Robust Classifiers
Zhejiang University(浙江大学)
最近,一些工作发现了一个有趣的现象,对抗鲁棒分类器可以生成与生成模型相当的好图像。我们从能量的角度研究这一现象,并提供了一个新的解释。我们重新制定了对抗性示例生成,对抗性训练和图像生成的能量函数。我们发现,对抗性训练有助于获得一个平坦的能量函数,并且在真实数据周围具有较低的能量,这是生成能力的关键。基于我们的新理解,我们进一步提出了一种更好的对抗训练方法,联合能量对抗训练(JEAT),它可以生成高质量的图像,并在广泛的攻击下实现新的最先进的鲁棒性。JEAT生成的图像的初始得分(CIFAR-10)为8.80,远远优于原始的鲁棒分类器(7.50)。
2021-09-14 cs.CV cs.LG
Constructing Unrestricted Adversarial Examples with Generative Models
Stanford University(斯坦福大学);Microsoft Research(微软研究院)
对抗性示例通常通过在小矩阵范数内扰动现有数据点来构建,当前的防御方法主要集中在防范这种类型的攻击。在本文中,我们提出了无限制的对抗性示例,这是一种新的威胁模型,其中攻击者不限于小的范数有界扰动。与基于扰动的攻击不同,我们建议使用条件生成模型完全从头开始合成不受限制的对抗性示例。具体来说,我们首先训练一个辅助分类器生成对抗网络(AC-GAN)来对数据样本上的类条件分布进行建模。然后,以所需类别为条件,我们在AC-GAN潜在空间中搜索,以找到可能在生成模型下并且被目标分类器错误分类的图像。我们通过人工评估证明,以这种方式生成的不受限制的对抗性示例是合法的,并且属于所需的类。我们在MNIST、SVHN和CelebA数据集上的实证结果表明,不受限制的对抗性示例可以绕过针对传统对抗攻击设计的强对抗性训练和认证防御方法。
2018-12-02 cs.AI cs.CR cs.CV
Generative Adversarial Network for Handwritten Text
Zhejiang University(浙江大学);Microsoft Cloud & AI(微软云与AI)
生成对抗网络(GANs)在图像处理的各种应用中已经证明是非常成功的。然而,由于卷积神经网络(CNN)难以处理连续的手写数据,手写生成对抗网络相对较少。在本文中,我们提出了一个手写生成对抗网络框架(HWGANs)合成手写笔画数据。新框架的主要特征包括:(i)一个由集成的CNN-长短期记忆(LSTM)为基础的特征提取与路径签名特征(PSF)作为输入和前馈神经网络(FNN)为基础的二进制分类器组成的分类器;(ii)一个循环潜在变量模型作为生成器,用于合成顺序手写数据。数值试验表明了新模型的有效性。与单一手写体生成器相比,HWGAN生成的手写体文本更加自然逼真。
2020-02-27 cs.CV cs.LG
Comparative Study on Generative Adversarial Networks
University of Waterloo(滑铁卢大学)
近年来,机器学习领域取得了巨大的进步。这些进步是通过学术和工业研究取得的。近年来,在计算机视觉和图像分类领域,大量的研究致力于生成模型的使用。这些生成模型已经通过一个名为生成对抗网络的新框架得到推广。此外,在过去两年中,对这一框架提出了许多修改版本。我们研究了Goodfellow等人提出的原始模型以及对原始模型的修改,并对这些模型进行了比较分析。
2018-01-12 cs.AI cs.LG
Generative Adversarial Stacked Autoencoders
Coventry University(考文垂大学);LatinX in AI
生成对抗网络(GANs)已成为图像生成任务的主导。他们的成功归功于训练制度,它采用了两种模式:一个发电机G和CNOD,在一个极小极大零和游戏的竞争。尽管如此,GANs由于其对超参数和参数初始化的敏感性而难以训练,这通常会导致梯度消失、不收敛或模式坍塌,其中生成器无法创建具有不同变化的样本。在这项工作中,我们提出了一种新的生成对抗堆叠卷积自动编码器(GASCA)模型和生成对抗逐步贪婪逐层学习算法设计训练对抗自动编码器在一个有效的和增量的方式。我们的训练方法产生的图像的重建误差比vanilla联合训练要低得多。
2020-11-22 cs.CV cs.LG
Logo Generation Using Regional Features: A Faster R-CNN Approach to Generative Adversarial Networks
CitAI Research Center(CitAI研究中心);University of London(伦敦大学)
在本文中,我们介绍了本地标志生成对抗网络(LL-GAN),它使用从Faster R-CNN中提取的区域特征来生成标志。我们展示了这种方法的优势,通过在一个风格丰富的小数据集上训练框架来生成新的重金属标志。LL-GAN实现了5.29的初始得分和223.94的Frechet初始距离,改进了最先进的模型StyleGAN 2和Self-Attention GAN。
2021-10-02 cs.AI cs.CV cs.GR
Generative Adversarial Networks for Automatic Polyp Segmentation
University of Oslo(奥斯陆大学)
本文旨在使用生成对抗网络框架对自动息肉分割问题进行基准测试。将问题视为图像到图像的翻译任务,利用条件生成对抗网络来生成由图像作为输入的条件掩码。生成器和卷积神经网络都是基于卷积神经网络的。模型的Jaccard指数为0.4382,F2得分为0.611。
2020-12-12 cs.CV cs.LG eess.IV
Linking Generative Adversarial Learning and Binary Classification
在这篇文章中,我们指出了生成对抗(GA)训练和二进制分类之间的基本联系-任何强大的分类器本质上都会计算真实样本和生成样本之间的(f-)分歧。在决策理论中反复重新推导的结果对GA网络(GANs)具有影响,通过设计模糊损失函数,为训练f-GANs提供了另一种视角。
2017-09-05 cs.AI cs.LG stat.ML
Ambient Hidden Space of Generative Adversarial Networks
Huawei Technologies Noah’s Ark Lab(华为技术诺亚方舟实验室);National University of Singapore(新加坡国立大学)
生成对抗模型是为各种任务在复杂分布中建模结构的强大工具。用于学习生成模型的当前技术需要访问具有高质量的样本,并且高级生成模型被应用于通过环境模块从噪声训练数据生成样本。然而,这些模仅对生成器的输出空间是实用的,它们在隐空间中的应用还没有得到很好的研究。本文将环境模块扩展到生成器的隐空间,并给出了对抗训练过程中环境隐生成器的唯一性条件和相应的策略。我们报告所提出的方法在基准数据集上的实用性。
2018-07-02 cs.AI cs.CV cs.LG
Lifelong Twin Generative Adversarial Networks
University of York(约克大学)
在本文中,我们提出了一种新的连续学习生成模型,称为终身孪生生成对抗网络(LT-GANs)。LT-GAN从多个数据库中学习一系列任务,其架构由三个组件组成:两个相同的生成器,即教师和助理,以及一个判别器。为了让LT-GAN学习新概念而不会忘记,我们引入了一种新的终身培训方法,即终身对抗性知识蒸馏(LAKD),它鼓励教师和助理在学习新数据库的同时相互交替教学。这种训练方法有利于将知识从一个更有知识的玩家转移到另一个对先前给定任务了解较少的玩家。
2021-07-09 cs.AI cs.CV
Image Quality Assessment Techniques Show Improved Training and Evaluation of Autoencoder Generative Adversarial Networks
Carleton University(卡尔顿大学)
我们提出了一种自动编码器生成对抗网络(GANs)的训练和评估方法,特别是边界平衡生成对抗网络(BEGAN),基于图像质量评估文献中的方法。我们的方法探讨了一个多维的评价标准,利用三个距离函数:一个$l_1$分数,梯度幅度相似性平均值(GMSM)分数,和色度分数。我们发现,每个不同的距离函数捕捉图像空间中的一组略有不同的属性,因此,需要自己的评估标准,以正确评估相关属性是否已经充分学习。我们证明了使用新距离函数的模型能够以预测的方式产生比原始BEGAN模型更好的图像。
2017-08-06 cs.CV cs.LG
Latent Dirichlet Allocation in Generative Adversarial Networks
University of Electronic Science and Technology of China(电子科技大学)
我们研究了基于生成对抗网络(GANs)的图像多模态生成建模问题。尽管现有的方法取得了成功,但它们往往忽略了视觉数据的底层结构或其多模态生成特性。为了解决这个问题,我们引入狄利克雷先验的多模态图像生成,这导致了一个新的潜在狄利克雷分配的GAN(LDAGAN)。详细地,对于生成过程建模,LDAGAN为每个样本定义生成模式,确定其属于哪个生成子过程。对于对抗训练,LDAGAN推导出一种变分期望最大化(VEM)算法来估计模型参数。在真实数据集上的实验结果表明,LDAGAN的性能优于其他现有的GANs。
2019-11-06 cs.CV cs.LG stat.ML
Generative Adversarial Networks: recent developments
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学);Tooploox Ltd.(图普洛克斯有限公司)
在传统的生成式建模中,良好的数据表示通常是良好的机器学习模型的基础。它可以链接到编码更多隐藏在原始数据中的解释性因素的良好表示。随着生成对抗网络(GANs)的发明,生成模型的一个子类,能够以无监督和半监督的方式学习表示,我们现在能够从简单的先验分布到目标数据分布的良好映射。本文概述了GANs的最新发展,重点是学习潜在空间表示。
2019-03-16 cs.CV cs.LG stat.ML
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
Graphical Generative Adversarial Networks
Tsinghua University(清华大学);University of Amsterdam(阿姆斯特丹大学);Canadian Institute for Advanced Research(加拿大高等研究院)
我们提出了图形生成对抗网络(Graphical-GAN)来建模结构化数据。Graphical-GAN结合了贝叶斯网络在复杂表示随机变量之间的依赖结构方面的能力和生成对抗网络在学习表达依赖函数方面的能力。我们引入了一个结构化的识别模型来推断潜变量的后验分布的观察。我们推广的期望传播(EP)算法学习的生成模型和识别模型联合。最后,我们提出了两个重要的图形-GAN的实例,即高斯混合GAN(GM GAN)和状态空间GAN(SS GAN),它们可以成功地学习离散和时间结构的视觉数据集,分别。
2018-12-12 cs.CV cs.LG stat.ML
Temporal Generative Adversarial Nets with Singular Value Clipping
Preferred Networks Inc.(Preferred Networks 公司)
在本文中,我们提出了一个生成模型,时间生成对抗网络(TGAN),它可以学习未标记视频的语义表示,并能够生成视频。与现有的基于生成对抗网络(GAN)的方法不同,这些方法使用由3D去卷积层组成的单个生成器生成视频,我们的模型利用了两种不同类型的生成器:时间生成器和图像生成器。时间生成器将单个潜变量作为输入并输出一组潜变量,每个潜变量对应于视频中的图像帧。图像生成器将一组这样的潜变量转换成视频。为了解决GAN训练中的不稳定问题,我们采用了最近提出的Wasserstein GAN模型,并提出了一种新的方法,以端到端的方式对其进行稳定的训练。实验结果证明了该方法的有效性。
2017-08-18 cs.CV cs.LG
Generative adversarial networks and adversarial methods in biomedical image analysis
Image Sciences Institute, University Medical Center Utrecht(乌得勒支大学医学中心影像科学研究所);Imperial College London(帝国理工学院);Imagen Technologies(Imagen科技公司)
生成对抗网络(GANs)和其他对抗方法基于博弈论的观点,将两个神经网络作为游戏中的参与者进行联合优化。对抗技术已被广泛用于合成和分析生物医学图像。我们介绍了GANs和对抗方法,概述了受益于这些方法的生物医学图像分析任务。最后,我们讨论了对抗方法在生物医学图像分析中的优势和局限性,并提出了未来潜在的研究方向。
2018-10-24 cs.CV
Generative Adversarial Networks and Other Generative Models
Fraunhofer Institute for Digital Medicine MEVIS(弗劳恩霍夫数字医学MEVIS研究所)
与CNN相比,生成网络在分类、分割或目标检测方面的目标和方法有着根本的不同。它们最初并不是一种图像分析工具,而是用来生成看起来自然的图像。对抗性训练范式已经被提出来稳定生成方法,并且已经被证明是非常成功的-尽管从第一次尝试开始就不是这样。本章对生成对抗网络(GANs)的动机进行了基本介绍,并通过抽象基本任务和工作机制,以及推导早期实用方法的困难,追溯了它们的成功之路。将显示更稳定的训练方法,以及收敛性差的典型迹象及其原因。虽然本章重点介绍用于图像生成和图像分析的GANs,但对抗训练范式本身并不特定于图像,也适用于图像分析中的任务。在将GANs与最近进入场景的进一步生成建模方法进行对比之前,图像语义分割和异常检测的架构示例将受到好评。这将允许对GANs的限制和好处进行上下文化的查看。
2022-07-08 cs.CV cs.LG eess.IV
FragmGAN: Generative Adversarial Nets for Fragmentary Data Imputation and Prediction
East China Normal University(华东师范大学)
现代科学研究和应用中经常会遇到“碎片数据”,这给估算和预测带来了很大的挑战。通过利用响应模式的结构,我们提出了一个统一的和灵活的框架,基于生成对抗网(GAN),同时处理碎片数据填补和标签预测。与大多数其他基于生成模型的插补方法不同,这些方法要么没有理论保证,要么只考虑随机缺失(MCAR),所提出的FragmGAN具有理论保证,可以用随机缺失(MAR)数据进行插补,而不需要提示机制。FragmGAN同时使用生成器和预测器训练预测器。在大量的实验中,这种联动机制显示出显着的优势,预测性能。
2022-03-09 cs.AI cs.LG
Generative Adversarial Networks for text using word2vec intermediaries
University of Toronto(多伦多大学);Vector Institute(向量研究院);St Michael’s Hospital(圣迈克尔医院)
生成对抗网络(GANs)已经取得了相当大的成功,特别是在真实图像的生成方面。在这项工作中,我们采用类似的技术来生成文本。我们提出了一种新的方法来处理文本的离散性,在训练过程中,使用词嵌入。我们的方法是不可知的词汇量的大小,并取得了竞争力的结果相对于各种离散梯度估计的方法。
2019-04-04 cs.AI cs.CL cs.LG
Lung image segmentation by generative adversarial networks
School of Applied Mathematics, Xiamen University of Technology(厦门理工学院应用数学学院)
肺部图像分割在肺部疾病的计算机辅助诊断和治疗中起着重要的作用。提出了一种基于生成对抗网络的肺部图像分割方法。我们采用了各种生成对抗网络,并利用其图像翻译能力来执行图像分割。采用生成对抗网络将原始肺部图像转换为分割图像。基于生成对抗网络的分割方法在真实肺部图像数据集上进行了测试。实验结果表明,该方法是有效的,优于最先进的方法。
2019-07-30 cs.CV eess.IV
Training Generative Adversarial Networks Via Turing Test
School of Mathematics(数学学院);Sun Yat-sen University(中山大学)
在这篇文章中,我们介绍了一种用于训练生成对抗网络(GANs)的新模式。我们不是最小化证据分布$\tilde{p}(x)$和生成分布$q(x)$的距离,而是最小化$\tilde{p}(x_r)q(x_f)$和$\tilde{p}(x_f)q(x_r)$的距离。这种对抗模式可以被解释为GANs中的图灵测试。它允许我们在训练生成器的过程中使用真实样本的信息,加快了整个训练过程。我们甚至发现,只要按比例增加矩阵和生成器的大小,它就可以在256x256分辨率上成功,而无需仔细调整超参数。
2018-10-27 cs.CV cs.LG stat.ML
Megapixel Size Image Creation using Generative Adversarial Networks
Happy Finish Ltd.(Happy Finish有限公司)
自出现以来,生成对抗网络(GANs)在AI社区中引起了很大的兴趣。在图像生成方面,有几个项目展示了GANs如何能够生成逼真的图像,但到目前为止,结果看起来还不足以满足视觉媒体制作行业的质量标准。我们提出了一种基于深度卷积生成对抗网络(DCGAN)的优化图像生成过程,以创建逼真的高分辨率图像(高达1024x1024像素)。此外,该系统提供了有限的图像数据集,不到两千张图像。所有这些结果为GANs在计算机图形学和视觉效果领域的进一步开发提供了更多的线索。
2017-05-31 cs.CV cs.GR cs.LG
A survey on text generation using generative adversarial networks
São Paulo State University(圣保罗州立大学)
本文对使用生成对抗网络进行文本生成的研究进展进行了全面的综述。使用对抗学习来生成文本是有希望的,因为它提供了生成所谓的“自然”语言的替代方案。然而,对抗性文本生成并不是一项简单的任务,因为其最重要的架构生成对抗网络被设计用于处理连续信息(图像)而不是离散数据(文本)。因此,大多数作品都基于三种可能的选择,即,Gumbel-Softmax微分,强化学习和修改的训练目标。所有的替代品在本次调查中进行审查,因为他们提出了最新的方法来生成文本使用基于对抗的技术。所选的作品来自著名的数据库,如Science Direct,IEEEEXplore,Springer,Association for Computing Machinery和arXiv,而每一个选定的工作都经过严格的分析和评估,以呈现其目标,方法和实验结果。
2022-12-20 cs.AI cs.CL cs.LG
StackGAN++: Realistic Image Synthesis with Stacked Generative Adversarial Networks
Rutgers University(罗格斯大学);Lehigh University(理海大学);The Chinese University of Hong Kong(香港中文大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
虽然生成对抗网络(GANs)在各种任务中取得了显着的成功,但它们在生成高质量图像方面仍然面临挑战。在本文中,我们提出了堆叠生成对抗网络(StackGAN),旨在生成高分辨率的照片般逼真的图像。首先,我们提出了一个两阶段的生成对抗网络架构StackGAN-v1,用于文本到图像的合成。第一阶段GAN根据给定的文本描述绘制对象的原始形状和颜色,产生低分辨率图像。第二阶段GAN将第一阶段的结果和文本描述作为输入,并生成具有照片般逼真细节的高分辨率图像。其次,提出了一种先进的多阶段生成对抗网络架构StackGAN-v2,用于条件和无条件生成任务。我们的StackGAN-v2由树状结构的多个生成器和鉴别器组成;对应于同一场景的多个尺度的图像是从树的不同分支生成的。StackGAN-v2通过联合逼近多个分布,显示出比StackGAN-v1更稳定的训练行为。大量的实验表明,所提出的堆叠生成对抗网络在生成照片般逼真的图像方面明显优于其他最先进的方法。
2018-06-28 cs.AI cs.CV stat.ML
Versatile Auxiliary Classifier with Generative Adversarial Network (VAC+GAN)
National University of Ireland Galway(爱尔兰国立大学戈尔韦分校)
人工智能中最有趣的挑战之一是训练条件生成器,这些条件生成器能够提供从特定分布中提取的标记对抗样本。在这项工作中,提出了一种新的框架,通过将分类器与鉴别器并行放置来训练深度条件生成器,并通过生成器网络反向传播分类误差。该方法是通用的,适用于生成对抗网络(GAN)实现的任何变化,并且与类似方法相比也给出了优越的结果。
2018-06-18 cs.CV cs.LG eess.IV
Quantum generative adversarial networks
Xanadu
量子机器学习有望成为近期量子设备的首批潜在通用应用之一。经典机器学习最近的一个重大突破是生成对抗训练的概念,其中一个训练模型的梯度被用来训练一个单独的生成模型。在这项工作和一篇配套论文中,我们将对抗训练扩展到量子领域,并展示了如何使用量子线路构建生成对抗网络。此外,我们还展示了如何使用另一个量子线路计算梯度-生成对抗网络训练中的关键要素。我们给出了一个简单的实用电路模型的例子来参数化量子机器学习模型,并进行了一个简单的数值实验来证明量子生成对抗网络可以成功训练。
2018-04-30 cs.LG quant-ph
Modeling documents with Generative Adversarial Networks
Aylien Ltd.(Aylien有限公司)
本文描述了一种使用生成对抗网络来学习自然语言文档的分布式表示的方法。我们提出了一个模型,该模型是基于最近提出的基于能量的GAN,而是使用一个去噪自动编码器作为网络。文档表示提取的隐藏层中的隐藏层和定量和定性的评价。
2016-12-29 cs.LG
Bidirectional Generative Modeling Using Adversarial Gradient Estimation
The Hong Kong University of Science and Technology(香港科技大学)
本文考虑了双向生成建模的一般$f$ -发散公式,其中包括VAE和BiGAN作为特例。我们提出了一种新的优化方法,这种配方,其中的梯度计算使用一个adversarially学习的神经网络。在我们的框架中,我们表明,不同的分歧诱导类似的算法在梯度评估,除了不同的缩放。因此,本文给出了一个一般配方的一类原则性的$f$ -发散的生成式建模方法。理论的理由和广泛的实证研究,证明我们的方法比现有的方法的优势。
2020-06-30 cs.CV cs.LG stat.ML
NIPS 2016 Tutorial: Generative Adversarial Networks
OpenAI
本报告总结了作者在NIPS 2016上介绍的关于生成对抗网络(GANs)的教程。该教程介绍:(1)为什么生成建模是一个值得研究的话题,(2)生成模型如何工作,以及GANs与其他生成模型的比较,(3)GANs如何工作的细节,(4)GANs的研究前沿,以及(5)将GANs与其他方法相结合的最先进的图像模型。最后,本教程包含三个练习供读者完成,以及这些练习的解决方案。
2017-04-03 cs.LG
Flow-GAN: Combining Maximum Likelihood and Adversarial Learning in Generative Models
Stanford University(斯坦福大学)
概率模型的对抗学习最近已经成为最大似然的一种有前途的替代方案。与通过最大似然训练的显式模型相比,生成对抗网络(GAN)等隐式模型通常会生成更好的样本。然而,GANs回避了显式密度的表征,这使得定量评估具有挑战性。为了弥合这一差距,我们提出了Flow-GAN,这是一种生成对抗网络,我们可以对其进行精确的似然评估,从而支持对抗和最大似然训练。当进行逆向训练时,Flow-GAN生成高质量的样本,但获得极差的对数似然分数,甚至不如记忆训练数据的混合模型;当通过最大似然训练时,情况正好相反。MNIST和CIFAR-10上的结果表明,混合训练可以获得高的保持概率,同时保持生成的样本的视觉保真度。
2018-01-03 cs.AI cs.LG cs.NE
Tensorizing Generative Adversarial Nets
RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Saitama Institute of Technology(埼玉工业大学)
生成对抗网络(GAN)及其变体在生成模型中表现出最先进的性能。为了捕获更高维的分布,通常的学习过程需要高的计算复杂性和大量的参数。当将其部署在具有有限计算能力的平台(例如移动电话)上时,会出现采用这种大型框架的问题。在本文中,我们提出了一种新的生成对抗框架,将每一层表示为通过多线性运算连接的张量结构,旨在将模型参数的数量减少一个很大的因素,同时保持生成性能和样本质量。为了学习模型,我们采用了一种有效的算法,交替优化的发电机和发电机。实验结果表明,我们的模型可以实现高压缩率的模型参数$35$倍相比,原始GAN的MNIST数据集。
2018-03-30 cs.AI cs.LG stat.ML
Sinogram Enhancement with Generative Adversarial Networks using Shape Priors
University of Southampton(南安普顿大学)
通过从计算模型中推断测量值来补偿稀缺的测量值是解决不适定逆问题的一种方法。我们通过使用生成模型和有关扫描对象的先验知识完成一组采集来解决有限角度断层扫描。使用生成对抗网络作为模型,计算机辅助设计数据作为形状先验,我们证明了我们的技术比其他最先进的方法具有定量和定性的优势。推断大量的连续缺失测量,我们提供了一种替代其他图像修复技术,未能提供一个令人满意的答案,我们的研究问题:可以减少X射线曝光使用生成模型来推断缺乏测量?
2022-02-01 cs.CV cs.LG eess.IV
Unsupervised Projection Networks for Generative Adversarial Networks
UC Berkeley(加州大学伯克利分校)
我们建议使用无监督学习来训练投影网络,投影到已经训练好的生成器的潜在空间上。我们将我们的方法应用于经过训练的StyleGAN,并使用我们的投影网络来执行图像超分辨率和图像聚类到语义可识别的组中。
2019-10-06 cs.CV cs.LG eess.IV
Predicting Novel Views Using Generative Adversarial Query Network
University of Oulu(奥卢大学);Tampere University(坦佩雷大学)
使用任意数量的观测来预测场景的新视图的问题对于计算机和人类来说都是一个具有挑战性的问题。本文介绍了生成对抗查询网络(GAQN),一个通用的学习框架,新的视图合成,结合生成查询网络(GQN)和生成对抗网络(GANs)。传统的GQN将输入视图编码为潜在表示,该潜在表示用于通过递归变分解码器生成新视图。建议GAQN建立在这项工作的基础上,增加了两个新的方面:首先,我们扩展了目前的GQN架构与对抗损失函数,以提高视觉质量和收敛速度。其次,我们引入了一个特征匹配的损失函数来稳定训练过程。实验表明,GAQN是能够产生高质量的结果和更快的收敛速度相比,传统的方法。
2019-04-10 cs.AI cs.CV cs.GR
Synthesizing Tabular Data using Generative Adversarial Networks
MIT(麻省理工学院)
生成对抗网络(GANs)隐式地学习数据集的概率分布,并可以从分布中提取样本。本文提出了表格式GAN(TGAN),这是一种生成对抗网络,可以生成医疗或教育记录等表格数据。利用深度神经网络的强大功能,TGAN生成高质量的全合成表,同时生成离散和连续变量。当我们在三个数据集上评估我们的模型时,我们发现TGAN在捕获列之间的相关性和扩大大型数据集方面都优于传统的统计生成模型。
2018-11-27 cs.LG stat.ML
CapsuleGAN: Generative Adversarial Capsule Network
USC Information Sciences Institute(南加州大学信息科学研究所)
我们提出了生成对抗胶囊网络(Capsule GAN),这是一个框架,它使用胶囊网络(CapsNets)而不是标准卷积神经网络(CNN)作为生成对抗网络(GAN)设置中的鉴别器,同时对图像数据进行建模。我们提供了设计CapsNet鉴别器和更新的GAN目标函数的指南,该目标函数包含CapsNet边际损失,用于训练Capsule GAN模型。我们表明,CapsuleGAN在MNIST和CIFAR-10数据集上建模图像数据分布方面优于卷积GAN,在生成对抗度量和半监督图像分类方面进行了评估。
2018-10-02 cs.LG stat.ML
Ways of Conditioning Generative Adversarial Networks
Seoul National University(首尔大学)
GANs是生成模型,其随机样本真实地反映了自然图像。它还可以通过将条件向量连接到输入中来生成具有特定属性的样本,但这方面的研究还没有得到很好的研究。我们提出了调节生成对抗网络(GANs)的新方法,这些方法在MNIST和CIFAR-10上实现了最先进的结果。我们主要介绍了两个模型:一个是从样本中提取条件信息的信息检索模型,一个是从图像和条件向量的空间叉积中形成双线性特征的空间双线性池模型。这些方法显着提高对数似然测试数据下的条件分布相比,串联的方法。
2016-11-04 cs.AI cs.LG stat.ML
Multi-Modality Image Inpainting using Generative Adversarial Networks
Ontario Tech University(安大略理工大学)
在过去的几年里,深度学习技术,特别是生成对抗网络(GANs),显著改善了图像修复和图像到图像的翻译任务。据我们所知,将图像修复任务与多模态图像到图像翻译相结合的问题仍然完好无损。在本文中,我们提出了一个模型来解决这个问题。该模型将结合夜间到日常的图像翻译和修复进行评估,以及有希望的定性和定量结果。
2022-06-22 cs.CV cs.LG eess.IV
Synthesizing Unrestricted False Positive Adversarial Objects Using Generative Models
ETH Zurich(苏黎世联邦理工学院);ABB Future Labs(ABB未来实验室)
对抗性示例是被神经网络错误分类的数据点。最初,对抗性示例仅限于向给定图像添加小扰动。最近的工作引入了无限制对抗示例的广义概念,对添加的扰动没有限制。在本文中,我们介绍了一种新的攻击类别,它可以为目标检测创建不受限制的对抗性示例。我们的关键思想是生成与目标对象检测器识别的类无关的对抗对象。与以前的攻击不同,我们使用现成的生成对抗网络(GAN),不需要任何进一步的训练或修改。我们的方法包括搜索潜在的正常空间的GAN的敌对对象被错误地识别的目标对象检测器。我们在常用的Faster R-CNN ResNet-101,Inception v2和SSD Mobilenet v1对象检测器上使用在CIFAR-10上训练的徽标生成iWGAN-LC和SNGAN来评估这种方法。实验结果表明,生成的对抗对象与GANs生成的非对抗对象无法区分,在对象检测器之间可转移,并且在物理世界中具有鲁棒性。这是第一次研究用于目标检测的无限制假阳性对抗示例。
2020-05-19 cs.CR cs.CV cs.LG
Quantum-Enhanced Generative Adversarial Networks: Comparative Analysis of Classical and Hybrid Quantum-Classical Generative Adversarial Networks
School of Computing(计算学院);Singapore Polytechnic(新加坡理工学院)
本文比较经典GAN与3、5、7量子比特的混合量子-经典GAN在二元MNIST上的表现,发现7量子比特模型在噪声模拟下性能接近经典GAN,验证了NISQ时代量子电路作为潜在先验的可行性。
2025-08-17 cs.AI cs.LG quant-ph
Time Efficient Training of Progressive Generative Adversarial Network using Depthwise Separable Convolution and Super Resolution Generative Adversarial Network
生成对抗网络已成功用于生成大小为1024 ^2的高分辨率增强图像。虽然生成的增强图像是前所未有的,但模型的训练时间异常长。传统的GAN需要训练鉴别器和生成器。渐进式GAN是当前用于图像增强的最先进的GAN,而不是一次训练GAN,提出了同时渐进增长鉴别器和生成器的新概念。虽然较低的阶段,如4x4和8x8训练相当快,后期阶段消耗大量的时间,可能需要几天才能完成模型训练。在我们的论文中,我们提出了一种新的流水线,结合渐进式GAN略有修改和超分辨率GAN。超分辨率GAN将低分辨率图像采样为高分辨率图像,这可以证明是一种有用的资源,可以指数级地减少训练时间。
2022-02-24 cs.CV eess.IV
High-Quality Face Image SR Using Conditional Generative Adversarial Networks
Beihang University(北京航空航天大学);National Chung Hsing University(中兴大学)
提出了一种基于边界平衡生成对抗网络的人脸条件生成对抗网络(Face Conditional Generative Adversarial Network,FCGAN)的单人脸图像超分辨率方法。该方法不需要任何人脸先验信息,可以从低分辨率的人脸图像生成高分辨率的人脸图像。与现有的研究相比,我们的训练和测试阶段都是端到端的管道,几乎没有预处理/后处理。为了提高收敛速度和加强特征传播,在生成和鉴别网络中进一步采用跳层连接。大量的实验表明,我们的模型与最先进的模型相比,具有竞争力的性能。
2017-07-04 cs.CV
Fostering Diversity in Spatial Evolutionary Generative Adversarial Networks
Massachusetts Institute of Technology(麻省理工学院)
生成式对抗网络(GANs)遭受训练病态,如不稳定性和模式坍塌,这主要是由于缺乏多样性,在他们的对抗互动。协同进化GAN(CoE-GAN)训练算法已被证明对这些病理具有弹性。本文介绍了Mustangs,一种空间分布的CoE-GAN,它通过在训练期间使用不同的损失函数来促进多样性。对MNIST和CelebA的实验分析表明,Mustangs在统计上训练更准确的生成器。
2021-06-25 cs.AI cs.DC cs.LG
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
Adversarial Variational Bayes: Unifying Variational Autoencoders and Generative Adversarial Networks
MPI Tübingen(图宾根马普研究所);Microsoft Research Cambridge(微软剑桥研究院);ETH Zürich(苏黎世联邦理工学院)
变分自编码器(VAE)是一种表达性的潜变量模型,可用于从训练数据中学习复杂的概率分布。然而,最终模型的质量主要依赖于推理模型的表达能力。我们介绍了对抗变分贝叶斯(AVB),一种用于训练具有任意表达推理模型的变分自编码器的技术。我们通过引入一个辅助判别网络来实现这一目标,该网络允许将最大似然问题重新表述为两人游戏,从而在VAE和生成对抗网络(GANs)之间建立原则性联系。我们表明,在非参数限制,我们的方法产生一个确切的最大似然分配的生成模型的参数,以及确切的后验分布的潜变量给定的观察。与将VAE与GANs相结合的竞争方法相反,我们的方法具有明确的理论依据,保留了标准变分自编码器的大多数优点,并且易于实现。
2018-06-11 cs.LG
SSGAN: Secure Steganography Based on Generative Adversarial Networks
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
本文提出了一种基于生成对抗网络的安全隐写策略,用于生成合适的、安全的隐写覆盖。所提出的架构有一个生成网络,和两个判别网络。生成式网络主要评估生成图像的视觉质量以用于隐写,而鉴别式网络则用于评估其是否适合信息隐藏。与采用深度卷积生成对抗网络的现有工作不同,我们利用另一种形式的生成对抗网络。通过使用这种新形式的生成对抗网络,在收敛速度、训练稳定性和图像质量方面都有了显著的改善。此外,一个复杂的隐写分析网络的鉴别网络,该网络可以更好地评估所生成的图像的性能。在公开数据集上进行了大量实验,以证明所提出的方法的有效性和鲁棒性。
2018-11-24 cs.CV cs.MM
Generative Adversarial Networks and Adversarial Autoencoders: Tutorial and Survey
University of Waterloo(滑铁卢大学)
这是一篇关于生成对抗网络(GAN)、对抗自动编码器及其变体的教程和调查论文。我们从解释对抗学习和普通GAN开始。然后,我们解释了条件GAN和DCGAN。介绍了模式崩溃问题,介绍了解决模式崩溃问题的各种方法,包括minibatch GAN、unrolled GAN、BourGAN、mixture GAN、D2 GAN和Wasserstein GAN。然后,解释了GAN中的最大似然估计以及f-GAN、对抗变分贝叶斯和贝叶斯GAN。然后,我们涵盖了GAN,InfoGAN,GRAN,LSGAN,基于能量的GAN,Cat GAN、MMD GAN、LapGAN、渐进式GAN、三重GAN、LAG、GMAN、Ada GAN、CoGAN、逆GAN、双GAN、ALI,SA GAN、Few-Shot GAN、SinGAN、以及GAN的插值和评价。然后,我们介绍了GAN的一些应用,如图像到图像的翻译(包括PatchGAN,CycleGAN,DeepFaceDrawing,模拟GAN,交互式GAN),文本到图像的翻译(包括StackGAN),以及混合图像特征(包括FineGAN和MixNMatch)。最后,我们解释了基于对抗学习的自动编码器,包括对抗自动编码器,PixelGAN和隐式自动编码器。
2021-11-26 cs.CV cs.LG eess.IV
Generative Deep Learning for Virtuosic Classical Music: Generative Adversarial Networks as Renowned Composers
UW - Whitewater(威斯康星大学白水分校)
目前人工智能生成的音乐缺乏良好作曲技术的基本原则。通过在编程和音乐上缩小实现问题,我们可以更好地理解生成的作品所需的参数,这些参数几乎与大师级作曲家的作品无法区分。
2021-11-13 cs.LG cs.NE cs.SD
Building Footprint Generation Using Improved Generative Adversarial Networks
建筑物足迹信息是城市模型三维重建的重要组成部分。由于建筑物形状的复杂性,从卫星图像自动生成建筑物足迹提出了相当大的挑战。在这项工作中,我们提出了改进的生成对抗网络(GANs),用于从卫星图像中自动生成建筑物足迹。我们使用了一个条件GAN,其代价函数来自Wasserstein距离,并添加了梯度惩罚项。实验结果表明,与条件生成对抗网络、U-Net和其他网络相比,该方法可以显著提高建筑物足迹生成的质量。此外,我们的方法几乎消除了所有的超参数调整。
2018-10-26 cs.CV
A Novel Wasserstein Quaternion Generative Adversarial Network for Color Image Generation
本文提出一种基于四元数Wasserstein距离的新型生成对抗网络,用于提升彩色图像生成的效率和质量。
2025-12-09 cs.AI cs.CV cs.NA
Interpreting Generative Adversarial Networks for Interactive Image Generation
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
用于图像生成的生成对抗网络(GANs)的进步已经取得了重大进展。然而,人们对如何通过GANs的深度表示从随机向量生成逼真的图像缺乏足够的理解。本章总结了最近关于解释深层生成模型的工作。方法分为监督,无监督和嵌入指导的方法。我们将看到如何识别在学习表示中出现的人类可理解的概念,并将其用于交互式图像生成和编辑。
2022-02-02 cs.CV
A Non-Adversarial Approach to Idempotent Generative Modelling
KTH Royal Institute of Technology(皇家理工学院);Uppsala University(乌普萨拉大学)
针对IGNs因对抗性目标导致的模式崩溃与训练不稳定问题,提出NAIGNs,通过结合重构与IMLE的非对抗性生成目标,提升了数据恢复与生成能力,并隐式学习数据流形距离场。
2025-11-04 cs.LG