论文笔记(三) 【Learning from Simulated and Unsupervised Images through Adversarial Training】

本文介绍了Simulated + Unsupervised (SimGAN) 学习方法,通过对抗性训练改进合成图像的真实感,同时保持其注释信息。SimGAN包含自动正则化损失、局部对抗损失和使用历史精炼图像更新D网络三个创新点,旨在解决合成图像与真实图像分布不匹配的问题。实验表明,使用精炼图像历史更新判别器能有效提升训练稳定性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文地址:论文

一、论文记录

1.摘要

   因为随着训练技巧的提升,使用合成(产生)的图片进行训练,避免了人工注释的麻烦。但是存在着一个问题,就是合成图片与真实图片的分布存在着一定的差距。为了解决这一问题,本文提出了Simulated + Unsupervised(仿真+无监督)learning的方法。具体来说是通过没有标签的真实图片来提高仿真器生成图片的真实性,同时还保持原有合成图片的注释信息不变。

   新提出的GAN网络有三点优势:1、自动正则化的损失(进一步保证refined图片的注释信息不变);2、局部对抗损失;3、使用改善的图片(a history of refined images)来更新D网络。

2.介绍

    进一步介绍SimGAN的目的和大体思路。Figure1是Refiner网络,介绍了利用未标注的真实图片将合成的图片进行Refine操作得到改善的图片。

 

    Figure2介绍了整个网络SimGAN网络的框架,前半部分是改善图片神经网络(refiner neural network)R网络,根据‘self-regularization term’和‘local adversarial loss’生成refined图片,后半部分是判别器(Discrimination)D网络,判断图片是refined还是real。&nb

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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