生成对抗网络（Generative Adversarial Networks，GANs）是一种由蒙特利尔大学的Ian Goodfellow等人在2014年提出的深度学习算法。GANs通过构建两个
2024-07-09 11:34
如果样本中的元素被模型设置了0概率，那么惩罚将会变成无穷大！而GANs则通过间接的方式设置0概率，惩罚将会缓和的多。另一个方法来自于归一化流（normalized flows），研究人员认为这是对于特定函数的一种低效表达，但目前对于这一领域还没有深入的研究。讨论完流模型后我们再来看看自回归模型。
2019-04-22 14:26
此外由于卡通图像具有高度简化的特征和均匀的颜色，需要在像素级损失上进行引导。研究人员观察到画师的作品（左）仅仅在边缘具有较大的梯度变化，而大多数区域中梯度变化较小。生成的图像则全局都具有杂乱的梯度场。
2019-05-06 09:57
基于以上分析，研究人员提出了一个观点：是否可以利用包含噪声的图像构建出配对的训练数据集，那么图像盲去噪的问题就可以通过CNNs一样的判别模型来解决了。一种可能的解决办法是建立起一个能够为噪音图像建模的数据集并从中对噪音数据进行采样。高斯混合模型GMM是一种典型的方法，它被广泛用于噪声建模。但实验表明GMM通过学习生成的噪声与实际情况不是非常相似，这个问题需要更为强大的手段来为噪声建模。
2018-06-27 11:11
这个问题对人类来说似乎很容易，只要稍微想象一下，大家很容易就能脑补出洞里应该有什么。但是，这个任务对于计算机而言却十分困难，因为这个问题没有唯一确定的解，如何利用其他的信息，如何判断补全的结果是否足够逼真，都是要考虑的问题。
2018-07-03 09:57
InfoGAN是生成对抗网络信息理论的扩展，能够以完全非监督的方式得到可分解的特征表示。它可以最大化隐含(latent)变量子集与观测值之间的互信息(mutual information)，并且发现了有效优化互信息目标的下界。
2018-07-20 09:59
条件GANs已经应用与多种跟图像有关的任务中了，但分辨率通常都不高，并且看起来很不真实。而在这篇论文中，英伟达和加州大学伯克利分校的研究人员共同提出了一个新方法合成高分辨率的街景，利用条件GANs从
2018-01-11 16:22
扩散模型和 GAN 的混合模型最早是英伟达的研究团队在 ICLR 2022 上提出的 DDGAN（《Tackling the Generative Learning Trilemma with Denoising Diffusion GANs》）。其灵感来自于普通扩散模型对降噪分布进行高斯假设的根本缺陷。
2023-11-21 16:02
我们在ImageNet 的和CIFAR-10数据集上对HYPE 的性能进行了测试。当产生CIFAR-10时，像BEGAN这样的早期GANs在HYPE∞中是不可分离的：它们没有一个能产生令人信服的结果，证明这是一项比面部生成更困难的任务。
2019-06-23 10:08
三年前，蒙特利尔大学 Ian Goodfellow 等学者提出「生成式对抗网络」（Generative Adversarial Networks，GANs）的概念，并逐渐引起 AI 业内人士的注意
2018-01-02 15:31
