靓仔博客

本文提出了一种基于条件Wasserstein生成式对抗网络的对抗特征幻觉网络(AFHN)，该网络以少数标记样本为条件，产生了多种多样的识别特征。在AFHN中引入分类正则化和抗坍塌正则化两种新的正则化方法，分别提高了合成特征的可鉴别性和多样性。

图表示学习的目的是将一个图的所有节点编码成低维向量，作为许多计算视觉任务的输入。然而，现有的算法大多忽略了数据固有分布甚至噪声的存在。这可能会显著增加过拟合现象，降低测试精度。在本文中，我们提出了一种分布诱导的双向生成对抗网络(DBGAN)，用于图表示学习。该算法采用结构感知的方法估计潜在表示的先验分布，而不是广泛使用的正态分布假设，通过原型学习隐式地连接图和特征空间。这样就为所有节点生成了有区别的鲁棒表示。此外，为了在保持表示能力的同时提高泛化能力，通过一个双向对抗学习框架很好地平衡了样本级和分布级的一致

无监督的图像到图像转换方法学习将给定类别中的图像映射到不同类别中的类似图像，利用非结构化（非注册）图像数据集。虽然非常成功，但当前的方法需要在训练时访问源类和目标类中的许多图像。我们认为这极大地限制了它们的使用。从人类从少量示例中提取新对象的本质并从那里进行概括的能力中汲取灵感，我们寻求一种少样本、无监督的图像到图像转换算法，该算法适用于以前看不见的目标类在测试时，仅由几个示例图像指定。我们的模型通过将对抗性训练方案与新颖的网络设计相结合来实现这种少量生成能力。通过广泛的实验验证和与基准数据集上的几种基线方