Fugu-MT 論文翻訳(概要): Deep Convolutional GANs for Car Image Generation

論文の概要: Deep Convolutional GANs for Car Image Generation

arxiv url: http://arxiv.org/abs/2006.14380v1
Date: Wed, 24 Jun 2020 06:56:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 13:26:54.730046
Title: Deep Convolutional GANs for Car Image Generation
Title（参考訳）: 自動車画像生成のための深部畳み込み型GAN
Authors: Dong Hui Kim
Abstract要約: 本稿では,FIDを195.922(ベースライン)から165.966に削減できる新規なBoolGANアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we investigate the application of deep convolutional GANs on car image generation. We improve upon the commonly used DCGAN architecture by implementing Wasserstein loss to decrease mode collapse and introducing dropout at the end of the discrimiantor to introduce stochasticity. Furthermore, we introduce convolutional layers at the end of the generator to improve expressiveness and smooth noise. All of these improvements upon the DCGAN architecture comprise our proposal of the novel BoolGAN architecture, which is able to decrease the FID from 195.922 (baseline) to 165.966.
Abstract（参考訳）: 本稿では,カーイメージ生成における深い畳み込みGANの適用について検討する。一般的なdcganアーキテクチャを改善し、wassersteinの損失を実装してモードの崩壊を減少させ、確率性を導入するために判別器の最後にドロップアウトを導入する。さらに,生成器の端に畳み込み層を導入し,表現性や滑らかな雑音を改善する。 DCGANアーキテクチャにおけるこれらの改善は、FIDを195.922(ベースライン)から165.966に削減できる新しいBoolGANアーキテクチャの提案を含む。

関連論文リスト

DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。大規模な環境下では、復元の質が悪くなる場合が少なくない。本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文参考訳（メタデータ） (2024-11-19T07:51:44Z)
Towards Degradation-Robust Reconstruction in Generalizable NeRF [58.33351079982745]
GNeRF(Generalizable Radiance Field)は,シーンごとの最適化を回避する手段として有効であることが証明されている。 GNeRFの強靭性は, ソース画像に現れる様々な種類の劣化に対して限定的に研究されている。
論文参考訳（メタデータ） (2024-11-18T16:13:47Z)
DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
xAI-CycleGAN, a Cycle-Consistent Generative Assistive Network [0.0]
CycleGANは画像から画像への変換に適したアーキテクチャとなっている。本研究では,判別器による説明可能性を用いて生成モデルの収束速度を高速化する。この新しいアーキテクチャは、ベースラインのCycleGANアーキテクチャよりもはるかに高い収束率を持つ。
論文参考訳（メタデータ） (2023-06-27T19:26:28Z)
A Simple and Effective Baseline for Attentional Generative Adversarial Networks [8.63558211869045]
テキスト記述を通して生成モデルを導くことで高品質な画像のテキスト・ツー・イメージモデルを構築することは革新的で挑戦的な課題である。近年、GANトレーニングをガイドするAttnGAN、SD-GAN、Stack-GAN++が提案されている。我々は,AttnGANの冗長構造を除去し,バックボーンネットワークを改善するために,一般的なシンプルで効果的なアイデア(1)を用いる。モデルの性能が変化しないことを保証しながら、モデルのサイズとトレーニング効率を大幅に改善しました。
論文参考訳（メタデータ） (2023-06-26T13:55:57Z)
StraIT: Non-autoregressive Generation with Stratified Image Transformer [63.158996766036736]
Stratified Image Transformer(StraIT)は、純粋な非自己回帰(NAR)生成モデルである。実験の結果,StraIT は NAR 生成を著しく改善し,既存の DM および AR 手法より優れていた。
論文参考訳（メタデータ） (2023-03-01T18:59:33Z)
GIU-GANs: Global Information Utilization for Generative Adversarial Networks [3.3945834638760948]
本稿では,Involution Generative Adversarial Networks (GIU-GANs) と呼ばれる新しいGANを提案する。 GIU-GANは、Squeeze-and-Excitation Networks (SENet)とInvolutionを統合したGlobal Information utilization (GIU)モジュールと呼ばれる新しいモジュールを利用している。バッチ正規化(BN)は、ジェネレータがサンプリングしたノイズ間の表現差を必然的に無視し、生成した画質を劣化させる。
論文参考訳（メタデータ） (2022-01-25T17:17:15Z)
A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文参考訳（メタデータ） (2021-12-07T05:22:50Z)
StyleGAN-induced data-driven regularization for inverse problems [2.5138572116292686]
GAN(Generative Adversarial Network)の最近の進歩は、これまで生成できなかった高解像度画像の生成の可能性を広げている。本研究では,事前学習したStyleGAN2ジェネレータの潜在能力を生かしたフレームワークを開発した。画像インペイントと超解像の逆問題を考えると、提案手法は最先端のGANベースの画像再構成手法と競合し、時には優位であることを示す。
論文参考訳（メタデータ） (2021-10-07T22:25:30Z)
Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。 NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。 CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
論文参考訳（メタデータ） (2020-03-17T17:56:22Z)
Toward a Controllable Disentanglement Network [22.968760397814993]
本稿では, 画像編集における歪みの程度を制御し, 歪み強度と復元品質のバランスをとることにより, 歪み画像表現を学習する2つの重要な問題に対処する。ソフトターゲット表現の実際の値空間を探索することにより、指定された特性を持つ新規な画像を合成することができる。
論文参考訳（メタデータ） (2020-01-22T16:54:07Z)

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。