点击上方△头像可进入主页，了解更多精彩内容~推荐论文一推荐论文二只用10%的标注数据，完成史上最强造假GAN论文名称：High-Fidelity Image Generation With Fewer Labels论文链接：https://arxiv.org/abs/1903.02271源码链接：https://github.com/google/compare_gan论文简介：深度生成模型正在成为当代机器学习的基石。近期针对条件生成对抗网络的研究表明，自然图像的学习复杂度、高维度分布也成为了可以解决的问题。虽然最新的模型能够生成高分辨率、高保真的多种自然图像，但它们极度依赖大量标注数据。在本文中，我们展示了如何利用在自监督、半监督学习领域取得的进步，在无监督 ImageNet 合成和条件环境下实现超越 SOTA 模型的性能。特别是，我们提出的方法仅用 10% 的标注数据就能媲美当前条件模型 BigGAN 在 ImageNet 上的 SOTA 采样质量，仅用 20% 的标注数据就超越了它。结果示例：生成对抗网络：艺术风格论文名称：A Style-Based Generator Architecture for Generative Adversarial Networks论文链接：https://arxiv.org/abs/1812.04948源码链接：https://github.com/ak9250/stylegan-art论文简介：我们借鉴风格转换文献，提出了一种生成对抗网络的替代生成器结构。新的体系结构导致自动学习、无监督地分离高级属性（例如，在人脸上训练时的姿势和身份）和生成的图像（例如雀斑、头发）中的随机变化，并实现了对合成的直观、特定于比例的控制。新的生成器在传统的分布质量度量方面改进了最先进的技术，显著地提高了插值性能，并且更好地分离了变化的潜在因素。为了量化插值质量和分离，我们提出了两种新的自动方法，适用于任何生成器结构。最后，我们介绍了一个新的、高度多样的、高质量的人脸数据集。论文结果：更多内容，请关注微信公众号：码科智能，Mark.AI专栏简介:首个深度学习垂直领域资源推荐专栏，更新内容主要为人工智能与深度学习领域的论文开源源代码，用知识修炼心灵，以智慧对话世界，在这里，持续感受人工智能技术的魅力。Mark.AI专栏推荐：►「码上十点」十月份机器学习最火的四篇文章►「码上一课」快而准，经典的轻量级深度神经网络（论文代码）►「码上一课」2018计算机视觉顶会论文及源代码分享
本文出自快速备案，转载时请注明出处及相应链接。
