論文の概要: SSD-GAN: Measuring the Realness in the Spatial and Spectral Domains
- arxiv url: http://arxiv.org/abs/2012.05535v3
- Date: Tue, 15 Dec 2020 09:45:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:24:06.774688
- Title: SSD-GAN: Measuring the Realness in the Spatial and Spectral Domains
- Title(参考訳): SSD-GAN:空間領域とスペクトル領域における実測
- Authors: Yuanqi Chen, Ge Li, Cece Jin, Shan Liu, Thomas Li
- Abstract要約: 識別器のスペクトル情報損失を軽減するため,gansの強化であるssd-ganを導入する。
具体的には、空間領域とスペクトル領域の両方で入力の現実性を測定するために、周波数認識分類器を判別器に埋め込むことを提案する。
提案手法は汎用的であり,過剰なコストを伴わずに既存のほとんどのGANフレームワークに容易に統合できる。
- 参考スコア(独自算出の注目度): 41.07567586282284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper observes that there is an issue of high frequencies missing in the
discriminator of standard GAN, and we reveal it stems from downsampling layers
employed in the network architecture. This issue makes the generator lack the
incentive from the discriminator to learn high-frequency content of data,
resulting in a significant spectrum discrepancy between generated images and
real images. Since the Fourier transform is a bijective mapping, we argue that
reducing this spectrum discrepancy would boost the performance of GANs. To this
end, we introduce SSD-GAN, an enhancement of GANs to alleviate the spectral
information loss in the discriminator. Specifically, we propose to embed a
frequency-aware classifier into the discriminator to measure the realness of
the input in both the spatial and spectral domains. With the enhanced
discriminator, the generator of SSD-GAN is encouraged to learn high-frequency
content of real data and generate exact details. The proposed method is general
and can be easily integrated into most existing GANs framework without
excessive cost. The effectiveness of SSD-GAN is validated on various network
architectures, objective functions, and datasets. Code will be available at
https://github.com/cyq373/SSD-GAN.
- Abstract(参考訳): 本稿では,標準GANの識別器に高周波数が欠落していることが観察され,ネットワークアーキテクチャにおけるダウンサンプリング層に起因することが判明した。
この問題により、ジェネレータは、データの高周波コンテンツを学ぶための判別器からのインセンティブを欠き、生成された画像と実際の画像の間にかなりのスペクトルの差が生じる。
フーリエ変換は単射写像であるため、このスペクトルの差分を減らせば GAN の性能が向上すると主張する。
この目的のために、識別器のスペクトル情報損失を軽減するため、GANの強化であるSSD-GANを導入する。
具体的には、周波数認識型分類器を識別器に組み込んで、空間領域とスペクトル領域の両方における入力の現実性を測定する。
これにより、SSD-GANの生成元は、実データの高周波コンテンツを学習し、正確な詳細を生成することができる。
提案手法は汎用的であり,過剰なコストを伴わずに既存のほとんどのGANフレームワークに容易に統合できる。
SSD-GANの有効性は、様々なネットワークアーキテクチャ、目的関数、データセットで検証される。
コードはhttps://github.com/cyq373/SSD-GANで入手できる。
関連論文リスト
- Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳(メタデータ) (2024-03-12T01:28:00Z) - Spectrum Translation for Refinement of Image Generation (STIG) Based on
Contrastive Learning and Spectral Filter Profile [15.5188527312094]
生成した画像の周波数領域における相違を緩和する枠組みを提案する。
これは、コントラスト学習に基づく画像生成(STIG)の洗練のためのスペクトル変換によって実現される。
我々は,STIGの有効性を実証するために,8つのフェイク画像データセットと様々な最先端モデルにまたがるフレームワークの評価を行った。
論文 参考訳(メタデータ) (2024-03-08T06:39:24Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳(メタデータ) (2023-04-29T00:25:02Z) - Faster Region-Based CNN Spectrum Sensing and Signal Identification in
Cluttered RF Environments [0.7734726150561088]
高速領域ベース畳み込みニューラルネットワーク(FRCNN)を1次元(1次元)信号処理と電磁スペクトルセンシングに最適化する。
その結果,本手法はローカライズ性能が向上し,2次元同値よりも高速であることがわかった。
論文 参考訳(メタデータ) (2023-02-20T09:35:13Z) - On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。
既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。
以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文 参考訳(メタデータ) (2021-11-03T18:12:11Z) - Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。
本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。
低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
論文 参考訳(メタデータ) (2021-08-03T12:26:33Z) - Stabilization of generative adversarial networks via noisy scale-space [6.574517227976925]
Generative adversarial Network(GAN)は、与えられた現実に基づいて偽のデータを生成するためのフレームワークです。
GANを安定化させるために、ノイズは実と偽の分布の重なりを拡大する。
データ平滑化はデータの寸法を減少させるが、ganが高周波情報を学習する能力を抑制する。
論文 参考訳(メタデータ) (2021-05-01T11:32:16Z) - Are High-Frequency Components Beneficial for Training of Generative
Adversarial Networks [11.226288436817956]
GAN(Generative Adversarial Networks)は、実際の画像と視覚的に区別できない現実的な画像を生成する能力を持つ。
画像スペクトルの最近の研究は、生成画像と実画像が高周波で有意な差を持つことを示した。
GAN訓練における高周波差を除去する2つの前処理手法を提案する。
論文 参考訳(メタデータ) (2021-03-20T04:37:06Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳(メタデータ) (2020-10-12T16:50:22Z)
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。