ROR体育在线登录：GAN与盘算机视觉经典论文合集

本文摘要：集会之眼文章解读篇生成反抗网络（GAN,Generative Adversarial Networks）是最近两年2年很热门的一种无监视算法，它能生成很是传神的照片和视频。本文主要整理先容了近两年来GAN模型在盘算机视觉领域的经典文章，7篇文章已经上传到了百度网盘，追赶AI潮水的你怎么能错过呢？

集会之眼文章解读篇生成反抗网络（GAN,Generative Adversarial Networks）是最近两年2年很热门的一种无监视算法，它能生成很是传神的照片和视频。本文主要整理先容了近两年来GAN模型在盘算机视觉领域的经典文章，7篇文章已经上传到了百度网盘，追赶AI潮水的你怎么能错过呢？！BIGGANLarge scale gan training for high fidelity natural image synthesisBrock, Andrew, Jeff Donahue, and Karen Simonyan只管生成图像技术在建模方面取得了最新希望，可是从庞大的数据集（例如ImageNet）乐成生成高分辨率，多样的效果仍然是一个遥不行及的目的。

为此，我们以尚未实验的最大规模数据训练了生成反抗网络，并研究了这种规模所特有的不稳定性。我们发现，对生成器应用正交正则化使其适合于简朴的“截断技巧”，从而可以通过淘汰生成器输入的方差来准确控制样本保真度与变化之间的权衡。

我们修改并构建了一个新的模型，该模型在类条件图像合成中设置了新的技术水平。当在ImageNet上以128x128分辨率举行训练时，我们模型（BigGAN）的初始得分（IS）为166.5，Frechet初始距离（FID）为7.4。

StyleGANAstyle-based generator architecture for generative adversarial networksKarras, Tero, Samuli Laine, and Timo Aila我们提出了一个可选择的生成架构。新的架构将包罗一个自动学习，无监视分类的高水平特征（例如，姿态识别在训练人脸）以及生成图像的随机方差（例如，雀斑，头发），它能够直观地，将特定尺度控制在统一规模内。

新的生成器提高了传统分配质量的权衡指标，证明有较好的插补属性，也较好地离开了最新的因素变量。对量化插补质量和分散，我们提出了两个新的，自动方法来应用到任何生成框架。最后，我们先容一个新的多种类和高质量人脸数据集。

CompareGANHigh-fidelity image generationwith fewer labelsLucic, Mario传统的 GAN 是一种无监视学习，我们只要源源不停地准备数据就行了。可是如果要像 BigGAN 那样在 ImageNet 上生成高保真度的图像，我们还是需要大量种别信息，标注费时艰苦。本研究先容了如何在没有标注或有少量标注数据的情况下生成高保真图像，这大大缩小了条件GAN 与无监视 GAN 的差距。PG-GANProgressive growing of gans forimproved quality, stability, and variationKarras, Tero我们形貌了一种生成反抗网络的新训练方法。

关键思想是逐渐增加生成器和判别器：从低分辨率开始，我们添加新层，陪同着训练的举行对越来越细的细节建模。这既加速了训练速度，又大大稳定了训练效果，使我们能够发生前所未有的图像质量，例如1024 ^ 2的CelebA图像。

我们还提出了一种简朴的方法来增加生成图像的变化，并在无人监视的CIFAR10中到达创纪录的初始得分8.80。此外，我们形貌了一些实现细节，这些细节对于阻止生成器和判别器之间的不康健竞争很是重要。最后，我们提出了一种用于评估GAN效果的新指标作为分外的孝敬，包罗图像质量和变化。

StarGANStargan: Unified generativeadversarial networks for multi-domain image-to-image translationChoi, Yunjey现有的GAN模型为了实现在k个差别的气势派头域上举行迁移，需要构建k∗(k−1)k∗(k−1)个生成器，而且还不能跨数据集训练（标注不能复用）。StarGAN正是为相识决跨多个域、多个数据集的训练而提出的。在StarGAN中，并不使用传统的fixed translation，而是将域信息和图片一起输入举行训练，并在域标签中加入mask vector，便于差别的训练集举行团结训练。

本文孝敬在于：提出StarGAN模型，使用单组GAN模型举行跨domain和跨数据集的训练展示了mask vector技术来实现上述的训练历程训练了角色的面下属性和面部心情特征的种种图片AttGANAttgan: Facial attribute editingby only changing what you wantHe, Zhenliang这是与starGANZ险些同时间揭晓的另一篇人脸属性多领域迁移的论文。使用了统一的框架举行人脸属性的迁移。面下属性编辑旨在利用面部图像的单个或多个属性，即在保留其他细节的同时生成具有所需属性的新面部。

最近，生成反抗网络（GAN）和编码器-解码器体系结构通常被合并来处置惩罚此任务，并获得可喜的效果。基于编码器-解码器体系结构，通过对以所需属性为条件的给定面部的潜在表现举行解码来实现面下属性编辑。一些现有方法试图建设与属性无关的潜在表现，以举行进一步的属性编辑。可是，这种对潜在表现的独立于属性的约束是太过的，因为它限制了潜在表现的容量，而且可能导致信息丢失，从而导致生成历程过于平滑和失真。

在此事情中，我们没有在潜在表现上施加约束，而是将属性分类约束应用于生成的图像，以保证所需属性的正确修改，即“修改所需内容”。同时，引入了重构学习来保留属性清除的细节，换句话说，就是“仅更改您想要的内容”。此外，反抗学习用于视觉传神的编辑。

这三个组件相互配合，形成了用于高质量面下属性编辑（称为AttGAN）的有效框架。此外，我们的方法也直接适用于属性强度控制，而且可以自然地扩展为属性样式操作。

STGANSTGAN: A unified selective transfernetwork for arbitrary image attribute editingLiu, Ming本文是CVPR2019的一篇文章，讲的是如何使用GAN网络生成人面部差别属性的图像。一般而言，任意属性编辑可以通过合并编码器-解码器和生成反抗网络来解决。可是，编解码器中的瓶颈层通常会导致模糊和低质量的编辑效果。

而且添加跳跃毗连以降低属性利用能力为价格提高了图像质量。此外，现有方法使用目的属性矢量来将灵活的翻译引导到期望的目的域。

在这项事情中，我们建议从选择性转移的角度解决这些问题。思量到特定的编辑任务固然仅与更改的属性有关，而不是与所有目的属性有关，因此我们的模型有选择地将目的和源属性向量之间的差异作为输入。此外，选择性传输单元与编码器-解码器联合在一起，可以自适应地选择和修改编码器功效，以增强属性编辑。

实验讲明，我们的方法（即状态的最艺术在任意的面下属性的编辑和翻译季节，STGAN）同时提高属性操作精度以及感知质量，而且执行针对有利。

本文来源：ROR体育在线登录-www.yixiangjituan.com