論文の概要: Adversarial Manifold Matching via Deep Metric Learning for Generative
Modeling
- arxiv url: http://arxiv.org/abs/2106.10777v1
- Date: Sun, 20 Jun 2021 23:25:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 06:00:43.573011
- Title: Adversarial Manifold Matching via Deep Metric Learning for Generative
Modeling
- Title（参考訳）: 生成モデルのためのDeep Metric Learningによる逆マニフォールドマッチング
- Authors: Mengyu Dai and Haibin Hang
- Abstract要約: 本稿では,分布生成器と距離生成器を含む生成モデルに対する多様体マッチング手法を提案する。
分布生成器は、実データ多様体の周りに凝縮された分布に従うサンプルを生成することを目的としている。
距離計生成器は、実データと生成されたサンプルの両方を利用して距離計を学習する。
- 参考スコア（独自算出の注目度）: 5.5840609705075055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a manifold matching approach to generative models which includes a
distribution generator (or data generator) and a metric generator. In our
framework, we view the real data set as some manifold embedded in a
high-dimensional Euclidean space. The distribution generator aims at generating
samples that follow some distribution condensed around the real data manifold.
It is achieved by matching two sets of points using their geometric shape
descriptors, such as centroid and $p$-diameter, with learned distance metric;
the metric generator utilizes both real data and generated samples to learn a
distance metric which is close to some intrinsic geodesic distance on the real
data manifold. The produced distance metric is further used for manifold
matching. The two networks are learned simultaneously during the training
process. We apply the approach on both unsupervised and supervised learning
tasks: in unconditional image generation task, the proposed method obtains
competitive results compared with existing generative models; in
super-resolution task, we incorporate the framework in perception-based models
and improve visual qualities by producing samples with more natural textures.
Both theoretical analysis and real data experiments guarantee the feasibility
and effectiveness of the proposed framework.
- Abstract（参考訳）: 本稿では,分布生成器(データ生成器)と距離生成器を含む生成モデルに対する多様体マッチング手法を提案する。
我々のフレームワークでは、実データセットを高次元ユークリッド空間に埋め込まれた多様体として捉えている。
分布生成器は、実データ多様体の周りに凝縮された分布に従うサンプルを生成することを目的としている。
幾何形状記述子であるCentroid と $p$-diameter の2つの点集合を学習距離メートル法とマッチングすることにより、距離生成器は実データと生成されたサンプルの両方を用いて、実データ多様体上の固有の測地線距離に近い距離メートル法を学習する。
生成した距離計量はさらに多様体マッチングに使用される。
2つのネットワークはトレーニングプロセス中に同時に学習される。
非教師なし学習タスクと教師なし学習タスクの両方にアプローチを適用する: 無条件画像生成タスクにおいて、提案手法は既存の生成モデルと比較して競争結果を得る; 超解像タスクでは、知覚に基づくモデルにこの枠組みを取り入れ、より自然なテクスチャのサンプルを生成することにより、視覚品質を向上させる。
理論解析と実データ実験の両方が提案フレームワークの有効性と有効性を保証する。
関連論文リスト
- Understanding the Local Geometry of Generative Model Manifolds [14.191548577311904]
学習多様体のテクスト局所幾何学と下流生成の関係について検討する。
所与の潜伏者に対して、局所記述子は世代美学、アーティファクト、不確実性、暗記などと相関していることを示す定量的かつ定性的な証拠を提供する。
論文 参考訳（メタデータ） (2024-08-15T17:59:06Z) - (Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。
我々の計量は、生成距離と生成測地学の概念的定義に繋がる。
彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文 参考訳（メタデータ） (2024-07-15T21:14:02Z) - Deep Generative Sampling in the Dual Divergence Space: A Data-efficient & Interpretative Approach for Generative AI [29.13807697733638]
自然画像の生成的サンプリングにおける顕著な成果の上に構築する。
我々は、画像に似たサンプルを生成するという、画期的な挑戦を、潜在的に過度に野心的に提案する。
統計上の課題は、小さなサンプルサイズであり、時には数百人の被験者で構成されている。
論文 参考訳（メタデータ） (2024-04-10T22:35:06Z) - Dendrogram distance: an evaluation metric for generative networks using
hierarchical clustering [2.4283303315272713]
本稿では,主に生成ネットワークに着目した生成モデル評価のための新しい指標を提案する。
この方法では、デンドログラムを使って実データと偽データを表現し、トレーニングと生成されたサンプルのばらつきを計算できる。
論文 参考訳（メタデータ） (2023-11-28T15:46:12Z) - RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳（メタデータ） (2023-10-18T07:30:08Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。
このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
論文 参考訳（メタデータ） (2022-08-22T19:58:03Z) - Hyperbolic Vision Transformers: Combining Improvements in Metric
Learning [116.13290702262248]
計量学習のための新しい双曲型モデルを提案する。
本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。
4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
論文 参考訳（メタデータ） (2022-03-21T09:48:23Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳（メタデータ） (2021-02-22T19:42:40Z) - Lessons Learned from the Training of GANs on Artificial Datasets [0.0]
GAN(Generative Adversarial Networks)は,近年,現実的な画像の合成において大きな進歩を遂げている。
GANは不適合や過度に適合する傾向があり、分析が困難で制約を受ける。
無限に多くのサンプルがあり、実際のデータ分布は単純である人工データセットでトレーニングする。
GANのトレーニング混合物はネットワークの深さや幅を増大させるよりもパフォーマンスが向上することがわかった。
論文 参考訳（メタデータ） (2020-07-13T14:51:02Z)
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。