論文の概要: Manifold-preserved GANs

• arxiv url: http://arxiv.org/abs/2109.08955v1
• Date: Sat, 18 Sep 2021 15:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:59:24.155587
• Title: Manifold-preserved GANs
• Title（参考訳）: マニフォールド保存ガン
• Authors: Haozhe Liu, Hanbang Liang, Xianxu Hou, Haoqian Wu, Feng Liu, Linlin Shen
• Abstract要約: MaF-GANの判別器は、データを高次元多様体にマッピングするように設計されている。 MaF-GANのトレーニングを安定させるために、K-Lipschitz連続性に対する正確で普遍的な解を持つ演算を提案する。 CelebA (256*256) のバックボーンとしてDCGANを採用すると、提案手法は12.43 FIDを達成した。
• 参考スコア（独自算出の注目度）: 20.774512713253966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) have been widely adopted in various fields. However, existing GANs generally are not able to preserve the manifold of data space, mainly due to the simple representation of discriminator for the real/generated data. To address such open challenges, this paper proposes Manifold-preserved GANs (MaF-GANs), which generalize Wasserstein GANs into high-dimensional form. Specifically, to improve the representation of data, the discriminator in MaF-GANs is designed to map data into a high-dimensional manifold. Furthermore, to stabilize the training of MaF-GANs, an operation with precise and universal solution for any K-Lipschitz continuity, called Topological Consistency is proposed. The effectiveness of the proposed method is justified by both theoretical analysis and empirical results. When adopting DCGAN as the backbone on CelebA (256*256), the proposed method achieved 12.43 FID, which outperforms the state-of-the-art model like Realness GAN (23.51 FID) by a large margin. Code will be made publicly available.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は様々な分野で広く採用されている。 しかし、既存のganは一般にデータ空間の多様体を保存することができない。 このようなオープンな課題に対処するために、ワッサーシュタインGANを高次元形式に一般化するマニフォールド保存GAN(MaF-GAN)を提案する。 具体的には、データの表現を改善するために、MaF-GANの判別器は、データを高次元多様体にマッピングするように設計されている。 さらに,MaF-GANsのトレーニングを安定させるために,位相整合性と呼ばれる任意のK-Lipschitz連続性に対する正確で普遍的な解法を提案する。 提案手法の有効性は理論解析と実験結果の両方によって正当化される。 celeba (256*256) のバックボーンとして dcgan を採用すると、提案手法は 12.43 fid を達成し、これは実数 gan (23.51 fid) のような最先端のモデルを上回る。 コードは公開される予定だ。

関連論文リスト

• Generative adversarial learning with optimal input dimension and its adaptive generator architecture [3.9043107077488797]
  一般化GAN(Generalized GAN)と呼ばれる新しいフレームワークを導入する。 グループペナルティとアーキテクチャペナルティを取り入れることで、G-GANにはいくつかの興味深い特徴がある。 シミュレーションおよびベンチマークデータを用いて行った大規模な実験は、G-GANの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-06T03:30:02Z)
• SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。 スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• DigGAN: Discriminator gradIent Gap Regularization for GAN Training with Limited Data [13.50061291734299]
  本稿では,既存のGANに付加可能なDigGAN(DigGAN)の定式化を提案する。 DigGANは既存のGANを強化し、判別器の予測 w.r.t. 実画像と生成されたサンプル w.r.t. の勾配のノルムのギャップを狭める。 この定式化は,GANロスランドスケープ内の悪い引き込みを回避し,限られたデータが得られる場合に,GANトレーニングの結果を大幅に改善するDigGANを見出した。
  論文  参考訳（メタデータ） (2022-11-27T01:03:58Z)
• 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)
• Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
  GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。 実際には、意味情報はデータから学んだ潜在的な分布によって表現される。 ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-28T09:17:50Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• 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)
• Real or Not Real, that is the Question [165.82386565136107]
  我々は,現実性をランダム変数として扱うことにより,GANを新たな視点に一般化する。 このフレームワークはRealnessGANと呼ばれ、判別器は実数の尺度として分布を出力する。 これにより、基本的なDCGANアーキテクチャは、スクラッチからトレーニングされた1024*1024解像度でリアルな画像を生成することができる。
  論文  参考訳（メタデータ） (2020-02-12T18:41:55Z)

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。