专栏首页机器学习与生成对抗网络CVPR 2020 | 10篇改进GAN的论文(网络、训练、正则等)

CVPR 2020 | 10篇改进GAN的论文(网络、训练、正则等)

下述论文可在http://openaccess.thecvf.com/CVPR2020_search.py搜索下载

1 Your Local GAN: Designing Two Dimensional Local Attention Mechanisms for Generative Models

引入新的局部稀疏注意力层,保留二维几何形状和局部性,用这种结构替换SAGAN的密集注意力层即可获得显着的FID、Inception score和视觉效果。https://github.com/giannisdaras/ylg

2 Analyzing and Improving the Image Quality of StyleGAN

styleGAN生成图像已经非常逼真了,但仍然可能经不起细敲:可能有artifacts。本文从网络、训练方式等提出改进之法。

3 A Characteristic Function Approach to Deep Implicit Generative Modeling

将学习隐式生成模型(IGM)的问题公式化为最小化 characteristic functions 之间的期望距离。在适当选择的加权分布下,匹配实际数据分布和生成数据分布的characteristic functions。通过用characteristic function distance(CFD)改进GAN,可获得一个易于实现、训练的模型。

4 Alleviation of Gradient Exploding in GANs: Fake Can Be Real

为缓解生成对抗网络中模式坍塌,提出一种训练方法:在训练过程中将某些假样本视为真实样本。该策略可以减小生成器在发生梯度爆炸的区域中接收到的梯度值。

5 Watch your Up-Convolution: CNN Based Generative Deep Neural Networks are Failing to Reproduce Spectral Distributions

生成式卷积神经网络,如GAN架构依赖于基于卷积的上采样方法来生成非标量输出(图像或视频序列等)。本文表明常见的上采样方法(反卷积或转置卷积)导致此类模型无法正确再现训练数据的频谱分布。这种影响与底层架构无关,它可轻松被利用去检测生成的数据,如Deepfake。为克服当前生成模型这一缺点,提出在训练优化目标中添加一个新的频谱正则项。

6 A U-Net Based Discriminator for Generative Adversarial Networks

生成对抗网络(GAN)所面临的主要挑战之一是,能合成在物体形状和纹理的全局和局部上具有与真实图像无法区分的自然一致性图像。为此借鉴了分割思想,提出一种基于U-Net的鉴别器架构。

7 MSG-GAN: Multi-Scale Gradients for Generative Adversarial Networks

尽管GAN在图像合成任务中取得了巨大成功,但很难适应不同数据集,部分原因是训练期间不稳定及对超参数敏感。这项工作提出多尺度梯度生成对抗性网络(MSG-GAN),简单但有效,从鉴别器到生成器的多个尺度的梯度流来解决此问题。该技术为高分辨率图像合成提供稳定之法,并且可替代常用的渐进式生长技术。

8 Noise Robust Generative Adversarial Networks

提出噪声鲁棒GAN(NR-GAN),即使训练图像有噪点,它也可以学习干净的图像生成器。https://github.com/takuhirok/NR-GAN/

9 On Positive-Unlabeled Classification in GAN

本文提出一种稳定训练GAN鉴别器的技术。传统上,实际数据被视为正样本,而生成数据为负样本。这种正负分类标准在鉴别器的整个学习过程中一直保持不变,却不考虑生成数据的质量逐渐提高甚至比真实数据更逼真。相反,将生成数据视为未标记是更合理的,根据其质量可以是正或负样本。

10 AdversarialNAS: Adversarial Neural Architecture Search for GANs

网络架构自动化设计的神经架构搜索(NAS)在许多计算机视觉领域取得了可喜的成果。本文提出一种专门针对生成对抗网络(GAN)量身定制的Adversarial NAS方法,以搜索无条件图像生成任务中的高级生成模型。https://github.com/chengaopro/AdversarialNAS

更多分享:
《基于深度学习的表面缺陷检测方法综述》
《零样本图像分类综述: 十年进展》
《基于深度神经网络的少样本学习综述》

附下载 | 《可解释的机器学习》中文版
附下载 |《TensorFlow 2.0 深度学习算法实战》
附下载 |《计算机视觉中的数学方法》分享

CVPR 2020 | 几篇GAN语义生成论文
CVPR 2020 | GAN中的反射/光和阴影
CVPR 2020 | 几篇 image-to-image 论文速递CVPR 2020 | 人脸图像GAN(附多篇论文下载)2020年5月60篇GAN论文汇总
拆解组新的GAN:解耦表征MixNMatch

本文分享自微信公众号 - 机器学习与生成对抗网络(AI_bryant8),作者:bryant8

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-06-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 新手指南综述 | GAN模型太多,不知道选哪儿个?

    今天看到这么一个论文题目“A Novel Framework for Selection of GANs for an Application ”,这名字有、6...

    公众号机器学习与生成对抗网络
  • 综述推荐 | CV视觉中GAN的调研和分类

    SGAN是在半监督学习的背景下提出的,与监督学习(其中每个样本都需要一个标签)和非监督学习(其中不提供标签)不同,半监督学习具有一小部分示例的标签。与FCGAN...

    公众号机器学习与生成对抗网络
  • 人脸生成新SOTA?它还是GAN。

    众所周知,GAN可分为无条件无监督式、条件监督式两大类;前者不需要标签,后者相反;

    公众号机器学习与生成对抗网络
  • 关于GAN的灵魂七问

    生成对抗网络在过去一年仍是研究重点,我们不仅看到可以生成高分辨率(1024×1024)图像的模型,还可以看到那些以假乱真的生成图像。此外,我们还很兴奋能看到一些...

    机器之心
  • 【学术】新的神经网络即将问世,它看起来很恐怖

    ? 这一切是怎么开始的? 生成式对抗网络进展 将典型的和经过良好研究的神经网络(如图像分类器)看作是神经网络技术的大脑左半球。考虑到这一点,很容易理解什么是生...

    AiTechYun
  • 新手指南综述 | GAN模型太多,不知道选哪儿个?

    今天看到这么一个论文题目“A Novel Framework for Selection of GANs for an Application ”,这名字有、6...

    公众号机器学习与生成对抗网络
  • 史上最全GAN综述2020版:算法、理论及应用

    论文地址:https://arxiv.org/pdf/2001.06937.pdf

    OpenCV学堂
  • 综述推荐 | CV视觉中GAN的调研和分类

    SGAN是在半监督学习的背景下提出的,与监督学习(其中每个样本都需要一个标签)和非监督学习(其中不提供标签)不同,半监督学习具有一小部分示例的标签。与FCGAN...

    公众号机器学习与生成对抗网络
  • ​GAN的五大有趣应用

    “GAN”这个词是由Ian Goodfellow在2014年提出的,但相关概念早在1990年就存在了(Jürgen Schmidhuber开创),在Goodfe...

    磐创AI
  • 以合成假脸、假画闻名的GAN很成熟了?那这些问题呢?| 技术头条

    【导语】过去两年,生成对抗网络(GAN)取得了飞速、充分的发展,尤其是应用于图像合成技术的模型,快到几乎让人跟不上,每隔一段时间,我们肯能就能看到应用在不同任务...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券