論文の概要: AWGAN: Empowering High-Dimensional Discriminator Output for Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2109.03378v1
• Date: Wed, 8 Sep 2021 00:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 05:32:10.512773
• Title: AWGAN: Empowering High-Dimensional Discriminator Output for Generative Adversarial Networks
• Title（参考訳）: AWGAN: 生成対向ネットワークのための高次元判別器出力の強化
• Authors: Mengyu Dai and Haibin Hang and Anuj Srivastava
• Abstract要約: 経験的多次元判別器(批判的)出力は有利である。 実分布と偽分布の区別に高次元的批判出力が有効であることを示す。 我々はこの利点をさらに拡大する平方根速度変換(SRVT)ブロックを導入する。
• 参考スコア（独自算出の注目度）: 16.908970779143267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Empirically multidimensional discriminator (critic) output can be advantageous, while a solid explanation for it has not been discussed. In this paper, (i) we rigorously prove that high-dimensional critic output has advantage on distinguishing real and fake distributions; (ii) we also introduce an square-root velocity transformation (SRVT) block which further magnifies this advantage. The proof is based on our proposed maximal p-centrality discrepancy which is bounded above by p-Wasserstein distance and perfectly fits the Wasserstein GAN framework with high-dimensional critic output n. We have also showed when n = 1, the proposed discrepancy is equivalent to 1-Wasserstein distance. The SRVT block is applied to break the symmetric structure of high-dimensional critic output and improve the generalization capability of the discriminator network. In terms of implementation, the proposed framework does not require additional hyper-parameter tuning, which largely facilitates its usage. Experiments on image generation tasks show performance improvement on benchmark datasets.
• Abstract（参考訳）: 実証的多次元判別器(critic)出力は有利であるが、その明確な説明は議論されていない。 本稿では, 高次元の批判出力が実分布と偽分布を区別する利点があることを厳密に証明し, (ii)さらにこの利点を拡大する平方根速度変換(SRVT)ブロックを導入する。 この証明は、上述の p-wasserstein 距離で有界であり、高次元の批評家出力 n でwasserstein gan フレームワークに完全に適合する、提案されている最大 p-中央性差に基づいている。 SRVTブロックは、高次元批評家出力の対称構造を破り、判別器ネットワークの一般化能力を向上させる。 実装面では、提案するフレームワークはハイパーパラメータチューニングを必要とせず、その使用を大いに促進する。 画像生成タスクの実験は、ベンチマークデータセットのパフォーマンス改善を示す。

関連論文リスト

• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Adversarial Likelihood Estimation With One-Way Flows [44.684952377918904]
  GAN(Generative Adversarial Networks)は、高品質なサンプルを生成することができるが、サンプル周辺の確率密度を見積もることはできない。 提案手法は, より高速に収束し, 類似したアーキテクチャでGANに匹敵するサンプル品質を生成し, 一般的に使用されるデータセットの過度な適合を回避し, トレーニングデータのスムーズな低次元潜在表現を生成する。
  論文  参考訳（メタデータ） (2023-07-19T10:26:29Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• 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)
• Partial Wasserstein Adversarial Network for Non-rigid Point Set Registration [33.70389309762202]
  2つの点集合が与えられた場合、登録の問題は一方が他方と一致する変換を回復することである。 登録問題を部分分布マッチング(PDM)問題として定式化し,その目的は距離空間内の点集合で表される分布を部分的に一致させることである。 本稿では,ニューラルネットワークによるPW差分を近似し,勾配降下により最小化できる部分的ワッサーシュタイン対向ネットワーク(PWAN)を提案する。
  論文  参考訳（メタデータ） (2022-03-04T10:23:48Z)
• Trust the Critics: Generatorless and Multipurpose WGANs with Initial Convergence Guarantees [5.156484100374058]
  Trust the Critics (TTC) は生成モデリングのための新しいアルゴリズムである。 TTCは、訓練された批評家ネットワークのシーケンス上で勾配降下を用いて、ソースデータを反復的に修正する。
  論文  参考訳（メタデータ） (2021-11-30T03:36:44Z)
• Non-convex Distributionally Robust Optimization: Non-asymptotic Analysis [16.499651513178012]
  分散ロバスト最適化(DRO)は、分散シフトに対してロバストなモデルを学ぶために広く使われている手法である。 目的関数はおそらく非滑らかであり,正規化勾配降下を有するにもかかわらず,非漸近収束を保証する。
  論文  参考訳（メタデータ） (2021-10-24T14:56:38Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Are conditional GANs explicitly conditional? [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-28T22:49:27Z)
• Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
  プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。 本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
  論文  参考訳（メタデータ） (2020-06-12T20:40:22Z)

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。