論文の概要: Are conditional GANs explicitly conditional?

• arxiv url: http://arxiv.org/abs/2106.15011v1
• Date: Mon, 28 Jun 2021 22:49:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:45:44.331952
• Title: Are conditional GANs explicitly conditional?
• Title（参考訳）: 条件付きGANは明示的に条件付きか?
• Authors: Houssem-eddine Boulahbal, Adrian Voicila, Andrew Comport
• Abstract要約: 本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)に対する2つのコントリビューションを提案する。 最初の主な貢献は、cGANの分析であり、それらが明示的に条件付きでないことを示すものである。 第2のコントリビューションは、アコントラリオと呼ばれる新しい手法であり、敵アーキテクチャの両部分の条件性を明示的にモデル化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper proposes two important contributions for conditional Generative Adversarial Networks (cGANs) to improve the wide variety of applications that exploit this architecture. The first main contribution is an analysis of cGANs to show that they are not explicitly conditional. In particular, it will be shown that the discriminator and subsequently the cGAN does not automatically learn the conditionality between inputs. The second contribution is a new method, called acontrario, that explicitly models conditionality for both parts of the adversarial architecture via a novel acontrario loss that involves training the discriminator to learn unconditional (adverse) examples. This leads to a novel type of data augmentation approach for GANs (acontrario learning) which allows to restrict the search space of the generator to conditional outputs using adverse examples. Extensive experimentation is carried out to evaluate the conditionality of the discriminator by proposing a probability distribution analysis. Comparisons with the cGAN architecture for different applications show significant improvements in performance on well known datasets including, semantic image synthesis, image segmentation and monocular depth prediction using different metrics including Fr\'echet Inception Distance(FID), mean Intersection over Union (mIoU), Root Mean Square Error log (RMSE log) and Number of statistically-Different Bins (NDB)
• Abstract（参考訳）: 本稿では,このアーキテクチャを利用する多種多様なアプリケーションを改善するために,条件付きジェネレータネットワーク(cGAN)に対する2つの重要な貢献を提案する。 最初の大きな貢献は、明示的に条件付きでないことを示すためにcganの分析である。 特に、識別器とその後のcGANが入力間の条件を自動で学習しないことが示される。 2つ目の貢献はacontrarioと呼ばれる新しい手法で、非条件(逆)の例を学ぶために識別者を訓練する新しいacontrarioロスを通じて、敵アーキテクチャの両部分の条件性を明確にモデル化する。 これにより、GAN(acontrario learning)に対する新しいタイプのデータ拡張アプローチが実現され、ジェネレータの検索空間を悪い例を用いて条件付き出力に制限することができる。 確率分布解析を提案し, 判別器の条件性を評価するための実験を行った。 異なるアプリケーションに対するcGANアーキテクチャとの比較では、Fr\echet Inception Distance(FID)、平均Intersection over Union(mIoU)、Root Mean Square Error log(RMSE log)、NDB(Number of statistically-Different Bins)などのメトリクスを使用した、セマンティック画像合成、イメージセグメンテーション、モノクル深度予測など、よく知られたデータセットのパフォーマンスが大幅に向上した。

関連論文リスト

• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Training and Inference on Any-Order Autoregressive Models the Right Way [97.39464776373902]
  Any-Order Autoregressive Models (AO-ARMs) のファミリは、任意の条件付きタスクにおいてブレークスルーのパフォーマンスを示している。 我々は、AO-ARMの以前の定式化に対して行うべき重要な改善について確認する。 本手法はトラクタビリティを損なうことなく性能を向上する。
  論文  参考訳（メタデータ） (2022-05-26T18:00:02Z)
• cGANs with Auxiliary Discriminative Classifier [43.78253518292111]
  条件付き生成モデルは、データとラベルの基本的な結合分布を学習することを目的としている。 副分類器生成敵ネットワーク (AC-GAN) は広く用いられているが, 生成標本のクラス内多様性の低い問題に悩まされている。 本稿では,AC-GANの問題に対処するため,補助識別器(ADC-GAN)を用いた新しいcGANを提案する。
  論文  参考訳（メタデータ） (2021-07-21T13:06:32Z)
• Monte Carlo Simulation of SDEs using GANs [0.0]
  GAN が 1 次元幾何学的 Ito 微分方程式 (SDE) の近似にも使用できるかどうかを検討する。 標準GANは分布の過程を近似できるだけであり、SDEに弱い近似をもたらす。 強い近似を可能にする条件付きGANアーキテクチャを提案する。 標準GANおよび監督GANと得られた入力出力マップを比較し、標準GANがパスワイズ近似を提供できない可能性があることを実験的に示した。
  論文  参考訳（メタデータ） (2021-04-03T16:06:30Z)
• Continuous Conditional Generative Adversarial Networks: Novel Empirical Losses and Label Input Mechanisms [26.331792743036804]
  本研究はCcGAN(Continuous Conditional Generative Adversarial Network)を提案する。 CcGANは連続・スカラー条件(終値回帰ラベル)に基づく画像生成のための最初の生成モデルである
  論文  参考訳（メタデータ） (2020-11-15T07:29:41Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Double Generative Adversarial Networks for Conditional Independence Testing [8.359770027722275]
  高次元条件独立テストは統計学と機械学習の重要な構成要素である。 本稿では,GAN(Double Generative Adversarial Network)に基づく推論手法を提案する。
  論文  参考訳（メタデータ） (2020-06-03T16:14:15Z)
• Inducing Optimal Attribute Representations for Conditional GANs [61.24506213440997]
  条件付きGANは、あるカテゴリから別のカテゴリへの画像の変換に広く使用されている。 既存の条件付きGANは、ターゲットドメインラベル情報を0と1の形式でハードコードされたカテゴリベクトルとして符号化する。 本稿では,グラフ畳み込みネットワークを用いた新しいエンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T20:24:07Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。