論文の概要: Interpreting Galaxy Deblender GAN from the Discriminator's Perspective
- arxiv url: http://arxiv.org/abs/2001.06151v1
- Date: Fri, 17 Jan 2020 04:05:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 12:55:23.931711
- Title: Interpreting Galaxy Deblender GAN from the Discriminator's Perspective
- Title（参考訳）: 識別器の観点からのギャラクシーデブレンダーGANの解釈
- Authors: Heyi Li, Yuewei Lin, Klaus Mueller, Wei Xu
- Abstract要約: 本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
- 参考スコア（独自算出の注目度）: 50.12901802952574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) are well known for their unsupervised
learning capabilities. A recent success in the field of astronomy is deblending
two overlapping galaxy images via a branched GAN model. However, it remains a
significant challenge to comprehend how the network works, which is
particularly difficult for non-expert users. This research focuses on behaviors
of one of the network's major components, the Discriminator, which plays a
vital role but is often overlooked, Specifically, we enhance the Layer-wise
Relevance Propagation (LRP) scheme to generate a heatmap-based visualization.
We call this technique Polarized-LRP and it consists of two parts i.e. positive
contribution heatmaps for ground truth images and negative contribution
heatmaps for generated images. Using the Galaxy Zoo dataset we demonstrate that
our method clearly reveals attention areas of the Discriminator when
differentiating generated galaxy images from ground truth images. To connect
the Discriminator's impact on the Generator, we visualize the gradual changes
of the Generator across the training process. An interesting result we have
achieved there is the detection of a problematic data augmentation procedure
that would else have remained hidden. We find that our proposed method serves
as a useful visual analytical tool for a deeper understanding of GAN models.
- Abstract（参考訳）: generative adversarial networks (gans) は教師なしの学習能力でよく知られている。
天文学の分野での最近の成功は、枝分かれしたGANモデルを通して、2つの重なり合う銀河像を曲げることである。
しかし、ネットワークの仕組みを理解することは依然として重要な課題であり、特に専門家でないユーザーにとっては難しい。
本研究は,ネットワークの主要なコンポーネントのひとつである識別器の動作に着目し,重要な役割を担っているが,しばしば見落とされがちだが,特に,熱マップに基づく可視化を生成するためのレイヤワイド関連伝搬(Layer-wise Relevance Propagation, LRP)方式を改良する。
この手法をpolarized-lrpと呼び,基底真理画像に対する正寄与ヒートマップと生成画像に対する負寄与ヒートマップという2つの部分からなる。
我々は,Galaxy Zooデータセットを用いて,生成された銀河画像と地上の真理画像とを区別する際の識別器の注意領域を明らかにする。
識別器が生成器に与える影響を接続するには、生成器の段階的な変化を訓練プロセス全体で可視化する。
私たちが達成した興味深い結果は、他のものが隠していたような問題のあるデータ拡張手順の検出です。
提案手法は,GANモデルをより深く理解するための有用な視覚解析ツールであることがわかった。
関連論文リスト
- Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。
CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
論文 参考訳（メタデータ） (2024-07-29T18:00:10Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake
Image Detection [33.31312811230408]
顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。
本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。
インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
論文 参考訳（メタデータ） (2023-10-07T01:23:49Z) - An Attention-Guided and Wavelet-Constrained Generative Adversarial
Network for Infrared and Visible Image Fusion [10.900528467160816]
我々は、赤外・可視画像融合(AWFGAN)のための注意誘導・ウェーブレット拘束型GANを提案する。
具体的には,空間アテンションモジュール(SAM)をジェネレータに導入し,空間アテンションマップを取得する。
我々は、可視情報の識別範囲をウェーブレット部分空間に拡張し、生成元に可視画像の高周波の詳細を復元させる。
論文 参考訳（メタデータ） (2022-10-20T05:01:20Z) - MC-LCR: Multi-modal contrastive classification by locally correlated
representations for effective face forgery detection [11.124150983521158]
局所的関連表現を用いたマルチモーダルコントラスト分類法を提案する。
我々のMC-LCRは、空間領域と周波数領域の両方から真偽顔と偽顔の暗黙の局所的不一致を増幅することを目的としている。
我々は最先端の性能を達成し,本手法の堅牢性と一般化を実証する。
論文 参考訳（メタデータ） (2021-10-07T09:24:12Z) - Heterogeneous Face Frontalization via Domain Agnostic Learning [74.86585699909459]
本研究では, 視覚領域における正面視を, ポーズのバリエーションで合成できるドメイン非依存学習型生成逆数ネットワーク(DAL-GAN)を提案する。
DAL-GANは、補助分類器を備えたジェネレータと、より優れた合成のために局所的およびグローバルなテクスチャ識別をキャプチャする2つの識別器から構成される。
論文 参考訳（メタデータ） (2021-07-17T20:41:41Z) - Diamond in the rough: Improving image realism by traversing the GAN
latent space [0.0]
改良されたフォトリアリズムと整合する潜在空間の方向を求める教師なし手法を提案する。
提案手法は,生成画像の忠実度を高めつつ,ネットワークを不変にしておく。
私たちは、イメージ空間の最小の変化をもたらす潜在空間の方向を見つけるために、単純なジェネレータインバージョンを使用します。
論文 参考訳（メタデータ） (2021-04-12T14:45:29Z) - Unsupervised Discovery of Disentangled Manifolds in GANs [74.24771216154105]
解釈可能な生成プロセスは、様々な画像編集アプリケーションに有用である。
本稿では,任意の学習された生成逆数ネットワークが与えられた潜在空間における解釈可能な方向を検出する枠組みを提案する。
論文 参考訳（メタデータ） (2020-11-24T02:18:08Z) - DeshuffleGAN: A Self-Supervised GAN to Improve Structure Learning [0.0]
我々は、GAN性能を改善する上で重要なポイントの1つは、データ内の空間構造を学習する能力を備えたモデルを提供することであると主張している。
ランダムにシャッフルされた画像タイルのパズルを解くデシャッフルタスクを導入し、デシャッフルGANが空間構造と現実的な外観の表現能力を向上させるのに役立つ。
論文 参考訳（メタデータ） (2020-06-15T19:06:07Z) - InterFaceGAN: Interpreting the Disentangled Face Representation Learned
by GANs [73.27299786083424]
我々は、最先端のGANモデルによって学習された不整合顔表現を解釈するInterFaceGANというフレームワークを提案する。
まず、GANは潜在空間の線型部分空間で様々な意味学を学ぶ。
次に、異なる意味論間の相関関係について詳細な研究を行い、部分空間射影を通してそれらをよりよく解離させる。
論文 参考訳（メタデータ） (2020-05-18T18:01:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。