論文の概要: Mode Penalty Generative Adversarial Network with adapted Auto-encoder
- arxiv url: http://arxiv.org/abs/2011.07706v1
- Date: Mon, 16 Nov 2020 03:39:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 00:07:37.196740
- Title: Mode Penalty Generative Adversarial Network with adapted Auto-encoder
- Title（参考訳）: 適応型オートエンコーダを用いたモードペナルティ生成対向ネットワーク
- Authors: Gahye Lee and Seungkyu Lee
- Abstract要約: 本稿では,事前学習した自動エンコーダと組み合わされたモードペナルティGANを提案する。
提案手法をGANに適用することにより, ジェネレータの最適化がより安定し, 実験による収束が早くなることを示す。
- 参考スコア（独自算出の注目度）: 0.15229257192293197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GAN) are trained to generate sample images
of interest distribution. To this end, generator network of GAN learns implicit
distribution of real data set from the classification with candidate generated
samples. Recently, various GANs have suggested novel ideas for stable
optimizing of its networks. However, in real implementation, sometimes they
still represent a only narrow part of true distribution or fail to converge. We
assume this ill posed problem comes from poor gradient from objective function
of discriminator, which easily trap the generator in a bad situation. To
address this problem, we propose a mode penalty GAN combined with pre-trained
auto encoder for explicit representation of generated and real data samples in
the encoded space. In this space, we make a generator manifold to follow a real
manifold by finding entire modes of target distribution. In addition, penalty
for uncovered modes of target distribution is given to the generator which
encourages it to find overall target distribution. We demonstrate that applying
the proposed method to GANs helps generator's optimization becoming more stable
and having faster convergence through experimental evaluations.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)は、関心分布のサンプル画像を生成するために訓練される。
この目的のためにganのジェネレータネットワークは、候補生成サンプルの分類から実データ集合の暗黙的分布を学習する。
近年,ネットワークを安定的に最適化するための新しいアイデアが提案されている。
しかし、実際の実装では、真の分布の唯一の狭い部分を表すか、収束しない場合がある。
この不適切な問題の原因は, 判別器の目的関数からの勾配の低下によるものと仮定し, 悪条件下で容易に発電機をトラップする。
そこで本研究では,符号化空間における生成データおよび実データサンプルを明示的に表現するために,事前学習済みオートエンコーダと組み合わせたモードペナルティganを提案する。
この空間では、対象分布の全モードを見つけることによって、実多様体に従うように生成多様体を作る。
さらに、ターゲット分散の露見モードに対するペナルティがジェネレータに与えられ、全体的なターゲット分散を見つけるように促される。
提案手法をGANに適用することにより, ジェネレータの最適化がより安定し, 実験による収束が早くなることを示す。
関連論文リスト
- Generative Conditional Distributions by Neural (Entropic) Optimal Transport [12.152228552335798]
本稿では,条件分布の生成モデル学習を目的とした,ニューラルエントロピー最適輸送手法を提案する。
提案手法は,2つのニューラルネットワークのミニマックストレーニングに依存する。
実世界のデータセットを用いた実験では,現状条件分布学習法と比較して,アルゴリズムの有効性が示された。
論文 参考訳（メタデータ） (2024-06-04T13:45:35Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - GANs Settle Scores! [16.317645727944466]
本稿では,変分的手法による発電機最適化を統一的に解析する手法を提案する。
$f$-divergence-minimizing GANsにおいて、最適生成器はその出力分布のスコアとデータ分布のスコアとを一致させるものであることを示す。
本稿では,スコアとフローマッチングに基づく$f$-GAN と IPM-GAN の新たな代替案を提案する。
論文 参考訳（メタデータ） (2023-06-02T16:24:07Z) - Distribution Fitting for Combating Mode Collapse in Generative
Adversarial Networks [1.5769569085442372]
モード崩壊は、生成的敵ネットワークの重要な未解決問題である。
本稿では, ペナルティ項付きグローバル分散フィッティング(GDF)法を提案し, 生成したデータ分布を限定する。
また,実データ全体の到達不能時の状況に対処する局所分布フィッティング法(LDF)を提案する。
論文 参考訳（メタデータ） (2022-12-03T03:39:44Z) - Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。
我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
論文 参考訳（メタデータ） (2022-02-08T18:08:24Z) - Generation of data on discontinuous manifolds via continuous stochastic
non-invertible networks [6.201770337181472]
連続ネットワークを用いて不連続分布を生成する方法を示す。
コスト関数と情報理論の定式化の関係を導出する。
提案手法を合成2次元分布に適用し,不連続分布の再構成と生成の両立を実証する。
論文 参考訳（メタデータ） (2021-12-17T17:39:59Z) - IID-GAN: an IID Sampling Perspective for Regularizing Mode Collapse [82.49564071049366]
GAN(Generative Adversarial Network)はまだモード崩壊に悩まされている。
我々は、この問題を独立かつ同一に分散されたIIDサンプリング視点で分析し、規則化しようと試みる。
本稿では,実データの逆サンプルとガウス音源との近接性を高め,対象分布から生成するIIDを正規化するための新たな損失を提案する。
論文 参考訳（メタデータ） (2021-06-01T15:20:34Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳（メタデータ） (2020-09-24T19:34:37Z) - Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。
実際には、意味情報はデータから学んだ潜在的な分布によって表現される。
ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
論文 参考訳（メタデータ） (2020-07-28T09:17:50Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳（メタデータ） (2020-04-05T01:50:16Z) - Making Method of Moments Great Again? -- How can GANs learn
distributions [34.91089650516183]
Generative Adrial Networks (GAN) は、複雑な現実世界の分布を学習するために広く使われているモデルである。
GANでは、ジェネレータの訓練は、判別器がもはやジェネレータの出力とトレーニングの一連の例を区別できない場合、通常停止する。
我々は,このジェネレータ・ディスクリミネーター・トレーニングプロセスを理解するための理論的結果を確立する。
論文 参考訳（メタデータ） (2020-03-09T10:50:35Z)
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。