論文の概要: LocoGAN -- Locally Convolutional GAN

• arxiv url: http://arxiv.org/abs/2002.07897v1
• Date: Tue, 18 Feb 2020 22:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 20:00:13.261705
• Title: LocoGAN -- Locally Convolutional GAN
• Title（参考訳）: LocoGAN -- ローカルに進化したGAN
• Authors: {\L}ukasz Struski, Szymon Knop, Jacek Tabor, Wiktor Daniec, Przemys{\l}aw Spurek
• Abstract要約: 完全畳み込みGANモデル: LocoGAN を構築し、遅延空間は、おそらく異なる解像度のノイズライクな画像によって与えられる。 学習は局所的、すなわち、ノイズのような全体像ではなく、一定の大きさのサブイメージを処理する。
• 参考スコア（独自算出の注目度）: 11.874810254210619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the paper we construct a fully convolutional GAN model: LocoGAN, which latent space is given by noise-like images of possibly different resolutions. The learning is local, i.e. we process not the whole noise-like image, but the sub-images of a fixed size. As a consequence LocoGAN can produce images of arbitrary dimensions e.g. LSUN bedroom data set. Another advantage of our approach comes from the fact that we use the position channels, which allows the generation of fully periodic (e.g. cylindrical panoramic images) or almost periodic ,,infinitely long" images (e.g. wall-papers).
• Abstract（参考訳）: 論文では、LocGANという完全な畳み込みGANモデルを構築し、遅延空間は、おそらく異なる解像度のノイズライクな画像によって与えられる。 学習は局所的であり、ノイズのようなイメージ全体ではなく、一定のサイズのサブイメージを処理する。 その結果、LocoGANはLSUN寝室データセットのような任意の次元の画像を生成することができる。 このアプローチのもう1つの利点は、完全に周期的な(例えば円筒状のパノラマ画像)もしくはほぼ周期的な、無限に長い(例えば壁紙)画像を生成することができる位置チャネルを使うことにある。

関連論文リスト

• Noise Dimension of GAN: An Image Compression Perspective [8.220314901087683]
  GAN(Generative Adversial Network)は、高次元ノイズをターゲット分布のサンプルにマッピングする生成モデルの一種である。 以前のアプローチでは、GANは連続分布から別の連続分布への写像であると見なされていた。 本稿では,GANを離散サンプリングとして扱うことを提案する。
  論文  参考訳（メタデータ） (2024-03-14T09:09:06Z)
• Adaptive Local Implicit Image Function for Arbitrary-scale Super-resolution [61.95533972380704]
  局所暗黙画像関数(LIIF)は、対応する座標を入力として、画素値が拡張される連続関数として画像を表す。 LIIFは任意のスケールの超解像タスクに適用でき、その結果、様々なアップスケーリング要因に対して単一の効率的かつ効率的なモデルが得られる。 この問題を軽減するために,新しい適応型局所像関数(A-LIIF)を提案する。
  論文  参考訳（メタデータ） (2022-08-07T11:23:23Z)
• Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
  生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。 すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。 ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
  論文  参考訳（メタデータ） (2022-04-14T17:59:31Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Aligning Latent and Image Spaces to Connect the Unconnectable [22.90522514729253]
  我々は,多様で複雑なコンテンツを含む無限高分解能画像を生成する手法を開発した。 これは、画像空間とラテント空間に同期同値を持つ完全同変発生器に基づいている。 LHQ, LSUNタワー, LSUNブリッジのアプローチを検証し, ベースラインを少なくとも4倍に向上させた。
  論文  参考訳（メタデータ） (2021-04-14T16:29:20Z)
• InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
  任意の解像度画像を生成するinfinityganを提案する。 少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
  論文  参考訳（メタデータ） (2021-04-08T17:59:30Z)
• Disentangled Image Generation Through Structured Noise Injection [48.956122902434444]
  生成ネットワークの第1層における乱れは生成した画像の乱れにつながることを示す。 本研究では,前景の空間的ゆがみ,空間的ゆがみ,空間的ゆがみ,背景からの物体のゆがみを実現する。 これは、FFHQデータセットの最先端のメソッドよりも、実証的に不整合スコアが向上する。
  論文  参考訳（メタデータ） (2020-04-26T15:15:19Z)
• Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
  本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。 画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。 我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-02-11T00:31:31Z)
• Optimizing Generative Adversarial Networks for Image Super Resolution via Latent Space Regularization [4.529132742139768]
  GAN(Generative Adversarial Networks)は、多様体内の実画像の分布を学習し、実際のように見えるサンプルを生成する。 本稿では,これらの問題を教師付きGANに対して緩和する方法を探究する。
  論文  参考訳（メタデータ） (2020-01-22T16:27:20Z)

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。