CVPR 2021 | 浙大提出OSGANs：在一个阶段中训练生成对抗网络

最新推荐文章于 2023-06-29 08:26:25 发布
最新推荐文章于 2023-06-29 08:26:25 发布
阅读量394 收藏 1
点赞数
分类专栏： 计算机视觉 | 顶会论文研读、源代码分析 迈微PaperWeeklyAI 文章标签： 算法 人工智能 计算机视觉 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Charmve/article/details/114812096
版权

点击上方“迈微AI研习社”，选择“星标★”公众号

重磅干货，第一时间送达

同时更新生成器(G)和鉴别器(D)！所提出的一阶段训练方案均比常规训练方案产生1.5倍的稳定加速！代码即将开源！

  • 作者单位：浙江大学, 史蒂文斯理工学院, 阿里巴巴, 之江实验室

  • 论文：https://arxiv.org/abs/2103.00430

生成对抗网络（GANs）已在各种图像生成任务中取得了空前的成功。然而，令人鼓舞的结果是以繁琐的训练过程为代价的，在此过程中，生成器和鉴别器在两个阶段中交替更新。

在本文中，我们研究了一种通用训练方案，该方案仅在一个阶段即可有效地训练GAN。

基于生成器和鉴别器的对抗损失，我们将GAN分为对称GAN和非对称GAN两类，并引入一种新颖的梯度分解方法来统一这两类，从而使我们可以在一个阶段训练这两个类，从而减轻了训练成本。

算法细节（建议去看原文, 点击 阅读更多）

实验结果

对几个数据集和各种网络体系结构的计算分析和实验结果表明，无论生成器和鉴别器的网络体系结构如何，所提出的一阶段训练方案均比常规训练方案产生1.5倍的稳定加速。此外，我们表明，提出的方法很容易适用于其他对抗训练方案，例如无数据知识蒸馏。我们的源代码将很快发布。

推荐阅读

（点击标题可跳转阅读）

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：yidazhang1@gmail.com

Charmve
关注
专栏目录
CVPR 2021｜DS-TransUNet：Transformer医学图像分割，表现SOTA
李响
03-22 6420
论文标题：DS-TransUNet: Dual Swin Transformer U-Net for Medical Image Segmentation 论文地址：https://arxiv.org/pdf/2106.06716.pdf 文章目录 1 前言 1.1 Transformer 1.2 Swin Transformer结构 2 Hierarchical Feature Representation 3 局部dependency 4 DS-TransUNet：医学图.
CVPR2021 | CVPR2021最全整理，CVPR2021下载链接，CVPR2021全部论文代码
热门推荐
王博（Kings）的博客
01-11 2万+
超全总结
lecam-gan:在受限数据下对生成性对抗网络进行正则化（CVPR 2021）
04-16
在有限数据下对生成性对抗网络进行正则化 我们的GAN正则化方法的实现。 拟议的正则化1）在有限的训练数据下提高了GAN的性能，并且2）补充了现有的数据扩充方法。 请注意，这不是官方支持的Google产品。 纸 如果您发现对您的研究有用的代码或数据集，请引用我们的论文。 在有限数据下对生成性对抗网络进行正则化，，， ，2021年的计算机视觉和模式识别（CVPR） @inproceedings{lecamgan, author = {Tseng, Hung-Yu and Jiang, Lu and Liu, Ce and Yang, Ming-Hsuan and Yang, Weilong}, title = {Regularing Generative Adversarial Networks under Limited Data}, booktitle = {CVPR}
李宏毅生成对抗网络2021学习笔记
kiss_the_rian的博客
05-05 572
什么是generator？ 有一个从一个简单分布（这种分布的表达式我们可以写出来）这个网络以这个分布中采样得到的向量作为输入，输出另一个复杂的分布。能够做到这种事情的网络就是生成式网络。 为什么要是一个“分布”？ 视频预测： 如果不是分布的话，可能在遇到某一情况下时，向左转和右转的情况同时存在资料库中，精灵就会分裂成两个。 如果我们在输入中加入一个分布中的采样，他的输出也就是有概率的一个分布。 当下最有名的生成器：generative adversarial network (GAN) uncond
李宏毅机器学习2021学习笔记（3）：GAN（生成对抗网络）
weixin_51691386的博客
06-25 412
李宏毅机器学习2021学习笔记（3）：GAN（生成对抗网络） 各种GAN类别：https://github.com/hindupuravinash/the-gan-zoo Generator(生成网络) 一个神经网络，实现输入噪音Z→输出生成样本 Discriminator（判别网络） 对样本打分，真实样本分数高，生成样本分数低（Generator产生的为虚构样本） 如何迭代产生好结果的过程 为使Discrimination不能区分样本是否真实，Generator需不断迭代使得能产生更能接近真实的样本，
2021新书速递——《GAN实战》 生成对抗网络
hz_wjy的博客
06-21 188
#AI界的快乐顶流#老照片修复、名画动起来、人像卡通化、表情动作迁移……谁干的！？都是GAN（生成对抗网络）干的！不仅在文化创作领域发挥着光和热，在医学等领域也非常有用，比如出于保护患者隐私等考虑，GAN被用于抽象数据、生成图像数据集等工作。 该方法自2014年被Ian Goodfellow提出至今，已发展成为近年来复杂分布上无监督学习最具前景的方法之一。 ...
【CVPR 2023的AIGC应用汇总(6)】医学图像 中的diffusion扩散/GAN生成对抗网络方法
idol24的博客
05-05 1308
【CVPR 2023的AIGC应用汇总(1)】图像转换/翻译，基于GAN生成对抗/diffusion扩散模型【CVPR 2023的AIGC应用汇总(2)】可控文生图，基于diffusion扩散模型/GAN生成对抗【CVPR 2023的AIGC应用汇总（3）】GAN改进/可控生成的方法10篇【CVPR 2023的AIGC应用汇总(4)】图像恢复，基于GAN生成对抗/diffusion扩散模型【CVP...
CVPR 2021 | 天津大学提出PISE：形状与纹理解耦的人体图像生成与编辑方法
Paper weekly
03-13 3467
©PaperWeekly 原创 ·作者｜张劲松学校｜天津大学硕士生研究方向｜计算机视觉导读：由单张人体图像来生成任意视角任意姿态下的图像，是近几年视觉领域研究的热点问题。现有方法无法实现...
CVPR2021-纸面代码解释：cvpr2021cvpr2020cvpr2019cvpr2018cvpr2017论文，极市团队整理
02-27
cvpr2021 / cvpr2020 / cvpr2019 / cvpr2018 / cvpr2017（论文/代码/项目/论文阅读） 论文解读摘要： ://bbs.cvmart.net/articles/3031论文分类汇总： : 2000〜2020年历届CVPR最佳论文，解释等汇总： ://bbs.cvmart...
CVPR2021-Paper-Code-Interpretation:cvpr2021cvpr2020cvpr2019cvpr2018cvpr2017 论文代码解读直播合集，极市团队整理
05-10
cvpr2021/cvpr2020/cvpr2019/cvpr2018/cvpr2017（Papers/Codes/Project/Paper reading） 论文解读汇总： 论文分类汇总： 2000~2020年历届CVPR最佳论文代码，解读等汇总： 目录 7.CVPR2021最新论文分类汇总(持续更新...
CLAPS:[ICLR 2021]带有对抗性扰动的对比学习，用于条件文本生成
05-18
对抗性学习与对​​抗性扰动的条件文本生成 这是用于条件文本生成的具有对抗性扰动的对比学习的Pytorch实施（ ICLR 2021 ）： 抽象的 最近，具有Transformer体系结构的序列到序列（seq2seq）模型在各种条件文本生成任务（例如机器翻译）上都取得了卓越的性能。 但是，大多数培训都是在老师的强迫下进行的，每个步骤都使用给定的地面真相标签，而不会在培训期间暴露于错误生成的标记中，这不利于将其推广到看不见的输入上，这就是所谓的“曝光偏差”问题。 在这项工作中，我们建议通过将正对与负对进行对比来解决条件文本生成问题，从而使模型暴露于输入的各种有效或不正确的扰动下，以提高通用性。 但是，使用幼稚的对比学习框架（使用随机的非目标序列作为否定示例）来训练模型是次优的，因为它们很容易与正确的输出区分开，尤其是对于使用大文本语料库进行预训练的模型而言。 同样，生成肯定的示例需要特定于
2012浙江大学计算机学院,CVPR 2012：25th IEEE Conference on Computer Vision and Pattern Recognition...
weixin_42547335的博客
07-15 417
CVPR 2012 Call for Short Course/Tutorial Proposalsposted Oct 6, 2011 7:30 PM by Ryan Farrell [ updated Oct 6, 2011 7:35 PM ]CVPR 2012 Short Courses & Tutorials: Call for ProposalsDeadline: Dece...
CVPR 2019 || 基于小波包的生成式对抗网络的属性感知的脸部老化
qq1803291168
10-08 905
Attribute-aware Face Aging with Wavelet-based Generative Adversarial Networks
CVPR2023：浙大&南洋理工提出PADing：零样本通用分割框架（附源代码）
最新发布
gzq0723的博客
06-29 262
点击蓝字 关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2306.11087.pdf计算机视觉研究院专栏Column of Computer Vision Institute今天分享研究了通用的零样本分割，在不需要任何训练样本的情况下，实现新类别的全景、实例和语义分割。01概要简介这种零样...
CVPR 2022：微笑识别也带性别歧视？浙大武大联合蚂蚁Adobe搞了个公平性提升框架...
量子位
04-22 122
作者：董小威武汉大学AI模型存在偏见怎么办？近年来，AI在多个领域展现出卓越的性能，给人类生活带来便捷和改善。与此同时，不少AI系统被发现存在对特定群体的偏见或者歧视现象。犯罪预测系统COMPAS在美国被广泛使用，通过预测再次犯罪的可能性来指导判刑。研究者发现，相比于白人，黑人被预测为高暴力犯罪风险的可能性竟然高77%。这里就存在一个严肃的问题：犯罪与否难道能由肤色来决定...
CVPR 2022 | 浙大&MSRA提出基于序列对比学习的长视频逐帧动作表示
阿木寺的博客
06-05 480
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：FY.Wei|已授权转载（源：知乎）编辑：CVerhttps://zhuanlan.zhihu.com/p/522600318Frame-wise Action Representations for Long Videos via Sequence Contrastive Learning单...
cvpr2019 目标检测算法_浙大和商汤等提出：Libra RCNN目标检测新算法（特征融合），CVPR2019...
weixin_35693014的博客
01-04 298
点击上方“CVer”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：张凯https://zhuanlan.zhihu.com/p/62534549本文已授权，未经允许，不得二次转载背景《Libra R-CNN: Towards Balanced Learning for Object Detection》论文是2019年CVPR的论文，作者来自于浙大和商汤，代码会开源在mmdete...
Training Generative Adversarial Networks in One Stage
weixin_37958272的博客
08-04 482
Training Generative Adversarial Networks in One Stage 生成对抗网络（GANs）在各种图像生成任务中表现出前所未有的成功。然而，这些令人鼓舞的结果是以繁琐的训练过程为代价的，在这个过程中，生成器和鉴别器要在两个阶段交替更新。在本文中，我们研究了一种通用的训练方案，该方案只需在一个阶段就能有效地训练GANs。基于生成器和判别器的对抗性损失，我们将GANs分为两类，即对称GANs和非对称GANs，并引入一种新的梯度分解方法来统一这两类，使我们能够在一个阶段内训
2021-06-05生成对抗网络一 李宏毅（学习笔记）
m0_55217431的博客
06-09 575
把network作为generator使用，特别的地方就是network的输入会加上一个随机变量z，这个z可能是从某一个simple distribution，也就是同时看输入x和z得到输出
连续图像生成对抗网络：CVPR2021新进展
"这篇论文是关于Adversarial Generation of Continuous Images的研究，发表于CVPR 2021，由Ivan Skorokhodov、Savva Ignatyev和Mohamed Elhoseiny共同撰写，来自King Abdullah University of Science and Technology...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Charmve

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值