综述推荐 | CV视觉中GAN的调研和分类

点击上方 机器学习与生成对抗网络 ”,关注"星标"

获取有趣、好玩的前沿干货!

  戳我,查看GAN的系列专辑~!

0 前言

  • 前几天,一位英特尔的小伙伴给公众号发了他们最近更新的GAN综述论文,已经挂在arxiv上,总结得非常不错,今天强推一波!也欢迎各位读者进GAN交流群,与大家一起交流讨论哦!(文末扫码加入)

  • Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy

  • https://arxiv.org/pdf/1906.01529.pdf

  • 作者:

    Zhengwei Wang is with V-SENSE, School of Computer Science and Statistics, Trinity College Dublin, Dublin, Ireland. e-mail: villa.wang.zhengwei@gmail.com

    Qi She is with Intel Labs, Beijing, China. e-mail: qi.she@intel.com

    Tom´as E. Ward is with Insight Centre for Data Analytics, Dublin City University, Dublin, Ireland. e-mail: tomas.ward@dcu.ie

  • 本文不做详细解读,具体内容可参考原文。

1 概要

  • 过去几年,生成对抗网络(GAN)得到了广泛的研究;其最重要而明显的影响是在计算机视觉领域,如合理自然的图像生成,图像到图像的转换,人脸属性编辑等等。

  • 将GAN应用于实际问题,仍存在挑战,在此本文重点关注其中三个:(1)高质量的图像生成;(2)图像生成的多样性;(3)稳定的训练。

  • 本文对GAN相关研究的进展进行了详细回顾,讨论其在计算机视觉中引人注目的应用,并提出一些有关未来研究方向的建议。

2 典型网络结构

  • Fully-connected GAN (FCGAN)

  • Semi-supervised GAN (SGAN)

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相比,SGAN的鉴别器是multi-headed的,即具有softmax和Sigmoid,以对真实数据进行分类并分别区分真实和生成样本。作者在MNIST数据集上训练SGAN,结果表明与原始GAN相比,SGAN中的鉴别器和生成器均得到了改进。

  • Bidirectional GAN (BiGAN)

  • Conditional GAN (CGAN)

  • InfoGAN

  • Auxiliary Classifier GAN (AC-GAN)

  • Laplacian Pyramid of Adversarial Networks (LAPGAN)

  • Deep Convolutional GAN (DCGAN)

  • Boundary Equilibrium GAN (BEGAN)

  • Progressive GAN (PROGAN)

  • Self-attention GAN (SAGAN)

  • BigGAN

  • Label-noise Robust GANs (rGANs)

  • Your Local GAN (YLG)

  • AutoGAN

  • MSG-GAN

  • 总结

3 代表性损失函数

  • Wasserstein GAN (WGAN)

  • WGAN-GP

  • Least Square GAN (LSGAN)

  • f-GAN

  • Unrolled GAN (UGAN)

  • Loss Sensitive GAN (LS-GAN)

  • Mode Regularized GAN (MRGAN)

  • Geometric GAN

  • Relativistic GAN (RGAN)

  • Spectral normalization GAN (SN-GAN)

  • RealnessGAN

  • Sphere GAN

  • Self-supervised GAN (SS-GAN)

  • 总结

4 常见应用

  • 数据增强

  • 图像合成

  • 视频生成

  • 特征生成

5 评估指标

6 未来&总结

GAN主要还是在图像视觉上有较大进展,NLP等领域相对滞后;一些其他数据模态例如时空序列等也相对探索较少;GAN的不良使用可能会对社会产生消极影响,例如在deepfake、伪造等方面进行恶意应用。

欢迎加入 GAN交流群

猜您喜欢:

超100篇!CVPR 2020最全GAN论文梳理汇总!

拆解组新的GAN:解耦表征MixNMatch

StarGAN第2版:多域多样性图像生成

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

《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》

我来评几句
登录后评论

已发表评论数()

相关站点

热门文章