随笔分类 - GAN
摘要：一篇GAN与AE结合的文章，用于探索AE相较GAN的生成能力和解耦表示。构建了两种AE：MLP和StyleGAN。结构如下： 把原生GAN中的G分解为F与G的映射，D分解为E与D的映射： F是一个确定性的映射，将噪声z编码成隐变量w。 E和G是随机的，G同时取决于隐变量w和噪声的输入。E将生成的图像
阅读全文
摘要：一篇在SinGAN上改进的论文，特点是更可控，训练更快20-30min。代码开源：ConSinGAN 主要贡献： 并行训练多个阶段 没有在中间阶段生成图像，而是传播特征 提升训练过程的尺度步骤，比之前需要的训练阶段更少 利用微调来应用多个应用领域
阅读全文
摘要：这篇稍老一点，18年的用GAN做reid的paper，和上篇19年将输入分解为appearance和structure不同。这篇FD-GAN是希望提到的特征仅仅和id有关，而和姿势无关。所以将输入分解为id+pose。编码器可视化如下： FD-GAN尽量在同一id姿态改变的情况下保持id特征的不变。
阅读全文
摘要：关于利用GAN做行人ReID的文章： [NIPS-2018] FD-GAN: Pose-guided Feature Distilling GAN for Robust Person Re-identification。 [CVPR2019] Joint Discriminative and Gen
阅读全文
摘要：一篇19年语义合成图像的文章。认为直接利用正则层会洗掉图像中原有的语义信息。提出了一种spatially-adaptive的正则化。 条件图像合成方法区别在于输入数据的类型。例如以类别为条件的模型、以图像为输入的image-to-image等。非条件正则层包括Local Response Norma
阅读全文
只有注册用户登录后才能阅读该文。
摘要：学习总结于国立台湾大学 ：李宏毅老师 EB-GAN： Energy-based Generative Adversarial Network MA-GAN：MAGAN: Margin Adaptation for Generative Adversarial Networks LS-GAN： Los
阅读全文
摘要：WassersteinGAN源码 作者的代码包括两部分：models包下包含dcgan.py和mlp.py, 这两个py文件是两种不同的网络结构，在dcgan.py中判别器和生成器都含有卷积网络，而mlp.py中判别器和生成器都只是全连接。 此外main.py为主函数，通过引入import mode
阅读全文
摘要：学习总结于国立台湾大学 ：李宏毅老师 WGAN前作：Towards Principled Methods for Training Generative Adversarial Networks WGAN： Wasserstein GAN Improved WGAN: Improved Traini
阅读全文
摘要：学习总结于国立台湾大学 ：李宏毅老师 f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization 本文Outline 一句话介绍f-GAN: you can use any f-diverg
阅读全文
摘要：学习总结于国立台湾大学 ：李宏毅老师 自编码器 AE (Auto-encoder) & 变分自动编码器VAE(Variational Auto－encoder) 学习编码解码过程，然后任意输入一个向量作为code通过解码器生成一张图片。 VAE与AE的不同之处是：VAE的encoder产生与nois
阅读全文
摘要：学习总结于国立台湾大学 ：李宏毅老师 Author: Ian Goodfellow • Paper: https://arxiv.org/abs/1701.00160 • Video: https://channel9.msdn.com/Events/Neural-Information-Proce
阅读全文
