Fugu-MT 論文翻訳(概要): Use of Student's t-Distribution for the Latent Layer in a Coupled Variational Autoencoder

論文の概要: Use of Student's t-Distribution for the Latent Layer in a Coupled Variational Autoencoder

arxiv url: http://arxiv.org/abs/2011.10879v1
Date: Sat, 21 Nov 2020 21:55:36 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 23:48:45.472433
Title: Use of Student's t-Distribution for the Latent Layer in a Coupled Variational Autoencoder
Title（参考訳）: 連成型変分オートエンコーダにおける潜在層に対する学生のt分布の利用
Authors: Kevin R. Chen, Daniel Svoboda, and Kenric P. Nelson
Abstract要約: 結合変分オートコーダは、MNIST数値の生成したレプリカの精度とロバスト性の向上を示す。潜伏層は、学生のt分布を用いて重テール崩壊を包含する。
参考スコア（独自算出の注目度）: 2.867517731896504
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A Coupled Variational Autoencoder, which incorporates both a generalized loss function and latent layer distribution, shows improvement in the accuracy and robustness of generated replicas of MNIST numerals. The latent layer uses a Student's t-distribution to incorporate heavy-tail decay. The loss function uses a coupled logarithm, which increases the penalty on images with outlier likelihood. The generalized mean of the generated image's likelihood is used to measure the performance of the algorithm's decisiveness, accuracy, and robustness.
Abstract（参考訳）: 一般化損失関数と潜在層分布の両方を組み込んだ結合変分オートコーダは,MNIST数値生成レプリカの精度とロバスト性の向上を示す。潜伏層は、学生のt分布を用いて重テール崩壊を包含する。損失関数は結合対数を使用するため、画像のペナルティはより低い確率で増大する。生成した画像の確率の一般化平均は、アルゴリズムの決定性、正確性、ロバスト性のパフォーマンスを測定するために用いられる。

関連論文リスト

Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
論文参考訳（メタデータ） (2024-03-19T07:24:54Z)
Large-scale Global Low-rank Optimization for Computational Compressed Imaging [8.594666859332124]
本稿では,グローバルな自己相似性と高効率な大規模再構成を実現するグローバル低ランク(GLR)最適化手法を提案する。深層学習における自己認識機構に触発されたGLRは、従来の一様選択の代わりに特徴検出によって画像パッチを抽出する。時間・周波数・スペクトル次元におけるGLRの有効性を実験的に実証した。
論文参考訳（メタデータ） (2023-01-08T14:12:51Z)
Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
論文参考訳（メタデータ） (2022-02-09T18:48:02Z)
Universal Rate-Distortion-Perception Representations for Lossy Compression [31.28856752892628]
我々は、エンコーダを固定し、デコーダを変更して歪みや知覚制約の集合内の任意の点を達成できる普遍表現の概念を考える。対応する情報理論の普遍的速度歪曲知覚が、近似的な意味で操作可能であることを証明した。
論文参考訳（メタデータ） (2021-06-18T18:52:08Z)
Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
論文参考訳（メタデータ） (2021-05-12T08:17:25Z)
Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文参考訳（メタデータ） (2020-11-18T03:32:27Z)
Learning Efficient GANs for Image Translation via Differentiable Masks and co-Attention Distillation [130.30465659190773]
Generative Adversarial Networks (GAN) は画像翻訳において広く利用されているが、その高い計算とストレージコストがモバイルデバイスへの展開を妨げる。 DMADと呼ばれる新しいGAN圧縮手法を提案する。実験の結果、DMADはCycleGANのMultiply Accumulate Operations (MAC)を13倍、Pix2Pixを4倍削減し、フルモデルに匹敵する性能を維持することができた。
論文参考訳（メタデータ） (2020-11-17T02:39:19Z)
Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
論文参考訳（メタデータ） (2020-07-20T18:04:14Z)
Modeling Lost Information in Lossy Image Compression [72.69327382643549]
ロスシー画像圧縮は、デジタル画像の最もよく使われる演算子の1つである。 Invertible Lossy Compression (ILC) と呼ばれる新しい非可逆的フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-22T04:04:56Z)

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。