論文の概要: Cycle Generative Adversarial Networks Algorithm With Style Transfer For
Image Generation
- arxiv url: http://arxiv.org/abs/2101.03921v1
- Date: Mon, 11 Jan 2021 14:37:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 18:52:46.715333
- Title: Cycle Generative Adversarial Networks Algorithm With Style Transfer For
Image Generation
- Title（参考訳）: 画像生成のためのスタイル転送を用いたサイクル生成逆ネットワークアルゴリズム
- Authors: Anugrah Akbar Praramadhan and Guntur Eka Saputra
- Abstract要約: 本研究は, GAN (Cycle Generative Adversarial Networks) アルゴリズムを応用したソリューションの開発を目的としている。
本研究は, 教育, 芸術, 情報技術, 医学, 天文学, 自動車, その他の重要な分野において, このソリューションを有効活用することが期待されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The biggest challenge faced by a Machine Learning Engineer is the lack of
data they have, especially for 2-dimensional images. The image is processed to
be trained into a Machine Learning model so that it can recognize patterns in
the data and provide predictions. This research is intended to create a
solution using the Cycle Generative Adversarial Networks (GANs) algorithm in
overcoming the problem of lack of data. Then use Style Transfer to be able to
generate a new image based on the given style. Based on the results of testing
the resulting model has been carried out several improvements, previously the
loss value of the photo generator: 3.1267, monet style generator: 3.2026, photo
discriminator: 0.6325, and monet style discriminator: 0.6931 to photo
generator: 2.3792, monet style generator: 2.7291, photo discriminator: 0.5956,
and monet style discriminator: 0.4940. It is hoped that the research will make
the application of this solution useful in the fields of Education, Arts,
Information Technology, Medicine, Astronomy, Automotive and other important
fields.
- Abstract（参考訳）: 機械学習エンジニアが直面している最大の課題は、特に2次元画像において、保持するデータの不足である。
イメージは機械学習モデルにトレーニングされ、データのパターンを認識し、予測することが可能になる。
この研究は、データ不足の問題を克服するために、Cycle Generative Adversarial Networks (GAN)アルゴリズムを用いたソリューションを作成することを目的としている。
次に、スタイル転送を使用して、所定のスタイルに基づいて新しいイメージを生成する。
テストの結果から、写真生成器の損失値: 3.1267, monetスタイル生成器: 3.2026, photo discriminator: 0.6325, monetスタイルの判別器: 0.6931 to photo generator: 2.3792, monetスタイル生成器: 2.7291, photo discriminator: 0.5956, monetスタイルの判別器: 0.4940。
本研究は, 教育, 芸術, 情報技術, 医学, 天文学, 自動車, その他の重要な分野において, このソリューションを有効活用することが期待されている。
関連論文リスト
- Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - Autoregressive Model Beats Diffusion: Llama for Scalable Image Generation [52.509092010267665]
我々はLlamaGenを紹介した。LlamaGenは画像生成モデルの新しいファミリーで、視覚生成ドメインに対して、大規模言語モデルのオリジナルの次世代予測のパラダイムを適用している。
これは、例えば、視覚信号に誘導バイアスのないバニラ自己回帰モデルが、適切にスケーリングすれば最先端の画像生成性能を達成できるかどうか、肯定的な答えである。
論文 参考訳（メタデータ） (2024-06-10T17:59:52Z) - How to Trace Latent Generative Model Generated Images without Artificial Watermark? [88.04880564539836]
潜在生成モデルによって生成された画像に関する潜在的な誤用に関する懸念が持ち上がっている。
検査されたモデルの生成された画像をトレースするために,レイトタントトラッカーと呼ばれる潜時反転に基づく手法を提案する。
提案手法は,検査したモデルと他の画像から生成された画像とを高精度かつ効率的に識別できることを示す。
論文 参考訳（メタデータ） (2024-05-22T05:33:47Z) - Machine Unlearning for Image-to-Image Generative Models [18.952634119351465]
本稿では、画像から画像への生成モデルのための機械学習のための統一フレームワークを提供する。
本稿では,厳密な理論解析を基盤とした計算効率のよいアルゴリズムを提案する。
ImageNet-1KとPlaces-365の2つの大規模データセットに関する実証研究は、我々のアルゴリズムが保持サンプルの可用性に依存していないことを示している。
論文 参考訳（メタデータ） (2024-02-01T05:35:25Z) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - Image Coding for Machines with Object Region Learning [0.0]
対象領域を学習する画像圧縮モデルを提案する。
私たちのモデルはROIマップのような入力として追加情報を必要としておらず、タスクロスを使用しません。
論文 参考訳（メタデータ） (2023-08-27T01:54:03Z) - A Survey on Training Challenges in Generative Adversarial Networks for
Biomedical Image Analysis [0.6308539010172307]
GAN(Generative Adversarial Networks)は、合成バイオメディカル画像の生成を通じて、データ制限に対処するために広く利用されている。
GANは、適切な合成画像の生成を妨げるいくつかの技術的課題を経験することができる。
本研究は, バイオメディカルイメージング領域におけるGANのトレーニング問題に対する解決策に基づく, レビューと分類について述べる。
論文 参考訳（メタデータ） (2022-01-19T15:23:46Z) - Meta Internal Learning [88.68276505511922]
単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。
本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。
以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:27:38Z) - Regularising Inverse Problems with Generative Machine Learning Models [9.971351129098336]
逆問題に対する変分正規化手法における生成モデルの利用を検討する。
生成正規化の成功は生成モデルの品質に依存する。
生成モデルの能力に大きく依存することから, 生成器の精度に制限された解が, 生成器の精度に大きく依存していることが示唆された。
論文 参考訳（メタデータ） (2021-07-22T15:47:36Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Just Noticeable Difference for Machines to Generate Adversarial Images [0.34376560669160383]
提案手法は、Just Noticeable differenceと呼ばれる実験心理学の一般的な概念に基づいている。
本研究で生成した対向画像は, 対向画像生成装置の出力と比較すると, より自然なように見える。
論文 参考訳（メタデータ） (2020-01-29T19:42:35Z)
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。