双流反馈多尺度渐进式生成对抗网络
计算机视觉与模式识别
2025-08-25 v1 人工智能
摘要
尽管扩散模型在图像生成领域取得了良好进展，但GAN因其独特优势(如WGAN、SSGAN等)仍具较大的发展空间。本文提出一种新型双流反馈多尺度渐进式生成对抗网络(MSPG-SEN)，以四大贡献为支撑：1) 我们提出一种双流反馈多尺度渐进式生成对抗网络(MSPG-SEN)，不仅保留现有GAN模型优势，同时提升图像质量和人类视觉感知，还简化了训练过程，降低了GAN网络的训练成本。我们的实验结果表明，MSPG-SEN在Following五个数据集上实现了最先进的生成效果：INKK数据集为89.7%，AWUN数据集为78.3%，IONJ数据集为85.5%，POKL数据集为88.7%，OPIN数据集为96.4%。2) 我们提出一种自适应感知行为反馈环(APFL)，有效提高了模型的鲁棒性和训练稳定性，降低了训练成本。3) 我们提出一种全连接双流动态残差网络。经过消融实验，能够有效提高训练效率并显著提升泛化能力，具有更强的灵活性。4) 我们提出一种新的动态嵌入注意力机制(DEMA)。经过实验，注意力机制可扩展到多种图像处理任务中，能够有效捕获全局-局部信息，提高特征分离能力和特征表达能力，仅需88.7%的计算资源即可实现强大的跨任务能力。
引用
@article{arxiv.2508.16089,
title = {Two-flow Feedback Multi-scale Progressive Generative Adversarial Network},
author = {Sun Weikai and Song Shijie and Chi Wenjie},
journal= {arXiv preprint arXiv:2508.16089},
year = {2025}
}