論文の概要: GL-GAN: Adaptive Global and Local Bilevel Optimization model of Image Generation

• arxiv url: http://arxiv.org/abs/2008.02436v1
• Date: Thu, 6 Aug 2020 03:00:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:47:13.213662
• Title: GL-GAN: Adaptive Global and Local Bilevel Optimization model of Image Generation
• Title（参考訳）: GL-GAN:画像生成の適応的グローバルおよび局所二レベル最適化モデル
• Authors: Ying Liu and Wenhong Cai and Xiaohui Yuan and Jinhai Xiang
• Abstract要約: 適応的グローバル・ローカル・バイレベル最適化モデル(GL-GAN)を導入する。 このモデルは相補的で促進的な方法で高解像度画像を生成する。 現在のGAN手法と比較して、我々のモデルはCelebA, CelebA-HQ, LSUNデータセットで顕著な性能を示している。
• 参考スコア（独自算出の注目度）: 6.931933354572298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although Generative Adversarial Networks have shown remarkable performance in image generation, there are some challenges in image realism and convergence speed. The results of some models display the imbalances of quality within a generated image, in which some defective parts appear compared with other regions. Different from general single global optimization methods, we introduce an adaptive global and local bilevel optimization model(GL-GAN). The model achieves the generation of high-resolution images in a complementary and promoting way, where global optimization is to optimize the whole images and local is only to optimize the low-quality areas. With a simple network structure, GL-GAN is allowed to effectively avoid the nature of imbalance by local bilevel optimization, which is accomplished by first locating low-quality areas and then optimizing them. Moreover, by using feature map cues from discriminator output, we propose the adaptive local and global optimization method(Ada-OP) for specific implementation and find that it boosts the convergence speed. Compared with the current GAN methods, our model has shown impressive performance on CelebA, CelebA-HQ and LSUN datasets.
• Abstract（参考訳）: Generative Adversarial Networksは画像生成において顕著な性能を示したが、画像リアリズムと収束速度にはいくつかの課題がある。 いくつかのモデルの結果は、生成画像内の品質の不均衡を示し、いくつかの欠陥部分が他の領域と比較される。 一般のグローバル最適化法と異なり、適応的グローバル・ローカル・バイレベル最適化モデル(GL-GAN)を導入する。 このモデルは,高解像度画像の生成を補完的かつ促進的に実現し,大域的な最適化は画像全体の最適化であり,局所的な最適化は低品質領域の最適化に限られる。 GL-GANは、単純なネットワーク構造により、局所的な二段階最適化により、不均衡の性質を効果的に回避することができる。 さらに,識別器出力からの特徴地図を用いて,特定実装のための適応型局所的大域的最適化手法(ada-op)を提案し,収束速度を向上させることを示す。 現在のGAN手法と比較して、我々のモデルはCelebA, CelebA-HQ, LSUNデータセットで素晴らしい性能を示している。

関連論文リスト

• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• Efficient Federated Learning via Local Adaptive Amended Optimizer with Linear Speedup [90.26270347459915]
  そこで我々は,グローバル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アルゴリズムを提案する。 textitLADAは通信ラウンドを大幅に削減し、複数のベースラインよりも高い精度を実現する。
  論文  参考訳（メタデータ） (2023-07-30T14:53:21Z)
• G-TRACER: Expected Sharpness Optimization [1.2183405753834562]
  G-TRACERは、平坦なミニマムを求めることによって一般化を促進し、一般化ベイズ目標の自然な漸進的な降下に基づく最適化への近似として音理論的基礎を持つ。 本手法は,非正規化対象の局所最小値近傍に収束し,多数のベンチマークコンピュータビジョンとNLPデータセット上での競合性能を示す。
  論文  参考訳（メタデータ） (2023-06-24T09:28:49Z)
• Dynamic Regularized Sharpness Aware Minimization in Federated Learning: Approaching Global Consistency and Smooth Landscape [59.841889495864386]
  フェデレートラーニング(FL)では、グローバルサーバの協調の下で、ローカルクライアントのクラスタがチェアリングされる。 クライアントは自身のオプティマに過度に適合する傾向にあり、グローバルな目標から非常に逸脱する。 tt Family FedSMOOは、グローバルな目的に対する局所的な最適性を保証するために動的正規化器を採用する。 理論解析により, tt Family FedSMOO は, 低境界一般化による高速$mathcalO (1/T)$収束率を達成することが示された。
  論文  参考訳（メタデータ） (2023-05-19T10:47:44Z)
• Local-Global Transformer Enhanced Unfolding Network for Pan-sharpening [13.593522290577512]
  パンシャーピングは,低分解能マルチスペクトル (LrMS) 画像の空間分解能を,対応するパンクロマティック (PAN) 画像の誘導により向上することを目的としている。 深層学習(DL)に基づくパンシャーピング法は有望な性能を達成しているが、そのほとんどは2倍の欠損を有する。
  論文  参考訳（メタデータ） (2023-04-28T03:34:36Z)
• One-Shot Adaptation of GAN in Just One CLIP [51.188396199083336]
  本稿では,CLIP空間を統一した単一ショットGAN適応方式を提案する。 具体的には、CLIP誘導潜在最適化を用いて、ソースジェネレータ内の参照画像検索という2段階のトレーニング戦略を採用する。 対象のテクスチャで多様な出力を生成し,質的かつ定量的にベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-17T13:03:06Z)
• AGGLIO: Global Optimization for Locally Convex Functions [5.221860952360943]
  本稿では,AGG(Accelerated Optimization Generalized LInear-model)をステージワイドでグローバルな手法として提案する。 AGGは、A-バッチSGD更新としてポイントを用いて容易に実装でき、証明可能な収束と収束実験を提供する。
  論文  参考訳（メタデータ） (2021-11-06T18:15:56Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)
• Land Use and Land Cover Classification using a Human Group based Particle Swarm Optimization Algorithm with a LSTM classifier on hybrid-pre-processing Remote Sensing Images [0.0]
  リモートセンシング画像を用いた土地利用・土地被覆分類(LULC)は多くの環境モデリングや土地利用在庫において重要な役割を担っている。 本研究では,LULC分類の性能向上のために,ディープラーニング分類器とハイブリッド特徴最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-04T15:30:10Z)

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。