論文の概要: CircleGAN: Generative Adversarial Learning across Spherical Circles

• arxiv url: http://arxiv.org/abs/2011.12486v2
• Date: Tue, 5 Jan 2021 02:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 02:56:54.333692
• Title: CircleGAN: Generative Adversarial Learning across Spherical Circles
• Title（参考訳）: CircleGAN: 球円をまたいだ生成的対角学習
• Authors: Woohyeon Shim and Minsu Cho
• Abstract要約: 本稿では,球面円を用いた超球体埋め込み空間の構造化を学習することにより,生成したサンプルの現実性と多様性を向上させる新しいGAN識別器を提案する。 提案した判別器は、非現実的なサンプルを大円に垂直な極に向かって押しながら、最も長い球円の周りに現実的なサンプルを投入することを学ぶ。
• 参考スコア（独自算出の注目度）: 40.5540614976299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel discriminator for GANs that improves realness and diversity of generated samples by learning a structured hypersphere embedding space using spherical circles. The proposed discriminator learns to populate realistic samples around the longest spherical circle, i.e., a great circle, while pushing unrealistic samples toward the poles perpendicular to the great circle. Since longer circles occupy larger area on the hypersphere, they encourage more diversity in representation learning, and vice versa. Discriminating samples based on their corresponding spherical circles can thus naturally induce diversity to generated samples. We also extend the proposed method for conditional settings with class labels by creating a hypersphere for each category and performing class-wise discrimination and update. In experiments, we validate the effectiveness for both unconditional and conditional generation on standard benchmarks, achieving the state of the art.
• Abstract（参考訳）: 球面円を用いた超球体埋め込み空間の構造化を学習することにより,生成したサンプルの現実性と多様性を向上させる新しいGAN識別器を提案する。 提案する判別器は、非現実的なサンプルを大円に垂直な極に向けて押しながら、最も長い球面円、すなわち大円の周りに現実的なサンプルを配置することを学ぶ。 長い円は超球面上の広い領域を占めるため、表現学習の多様性を増し、その逆も促進する。 したがって、対応する球状円に基づいてサンプルを識別することは、自然に生成されたサンプルに多様性を誘導することができる。 また,各カテゴリのハイパースフィアを作成し,クラス単位での識別と更新を行うことで,クラスラベル付き条件設定の手法を拡張する。 実験では,標準ベンチマークにおける条件付きおよび条件付き両方の生成の有効性を検証する。

関連論文リスト

• Explicit Formulae to Interchangeably use Hyperplanes and Hyperballs using Inversive Geometry [0.0]
  多くのアルゴリズムは、超平面や超球を分離したり、球面データを扱うように特別に設計されたりするなど、差別的境界を必要とする。 2つの識別境界は相互に利用でき、点距離の変化が許容される限り、一般的なユークリッドデータを球形データに変換することができる。
  論文  参考訳（メタデータ） (2024-05-28T17:43:16Z)
• Circle Representation for Medical Instance Object Segmentation [6.4832235108711345]
  球状医療オブジェクトをインスタンスレベルでセグメント化するための円輪郭変形を利用した,単純なエンドツーエンドセグメンテーション手法であるCircleSnakeを紹介する。 病理画像における糸球体、核、好酸球の検出などの実用化において、CircleSnakeは優れた性能と回転不変性を示した。
  論文  参考訳（メタデータ） (2024-03-18T06:25:41Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• Rethinking Sampling in 3D Point Cloud Generative Adversarial Networks [82.72642388129843]
  サンプリング非感受性判別器は点クラスタリングアーティファクトを持つ形状点雲を生成する一方で、サンプリング非感受性判別器は有効な形状生成を導くことができないことを示す。 判別器の異なるサンプリング感度を示すために,サンプリングスペクトルの概念を提案する。 そこで本研究では, サンプリング関連指標において, 既存のクラウドジェネレータをすべて改良した, ミドルポイントサンプリング対応のベースライン判別器であるPointNet-Mixについて検討する。
  論文  参考訳（メタデータ） (2020-06-12T09:29:24Z)

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。