論文の概要: IGAN: Inferent and Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2109.13360v1
- Date: Mon, 27 Sep 2021 21:48:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 04:32:52.485680
- Title: IGAN: Inferent and Generative Adversarial Networks
- Title(参考訳): IGAN: 推論と生成の敵対的ネットワーク
- Authors: Dr. Luc Vignaud (ONERA, The French Aerospace Lab, France)
- Abstract要約: IGANは複雑な高次元データ分布における生成モデルと推論モデルの両方を学習する。
画像と潜伏空間の両方で敵の戦略を書き換えることで、従来のGANフレームワークを推論で拡張する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: I present IGAN (Inferent Generative Adversarial Networks), a neural
architecture that learns both a generative and an inference model on a complex
high dimensional data distribution, i.e. a bidirectional mapping between data
samples and a simpler low-dimensional latent space. It extends the traditional
GAN framework with inference by rewriting the adversarial strategy in both the
image and the latent space with an entangled game between data-latent encoded
posteriors and priors. It brings a measurable stability and convergence to the
classical GAN scheme, while keeping its generative quality and remaining simple
and frugal in order to run on a lab PC. IGAN fosters the encoded latents to
span the full prior space: this enables the exploitation of an enlarged and
self-organised latent space in an unsupervised manner. An analysis of
previously published articles sets the theoretical ground for the proposed
algorithm. A qualitative demonstration of potential applications like
self-supervision or multi-modal data translation is given on common image
datasets including SAR and optical imagery.
- Abstract(参考訳): igan(inferent generative adversarial networks)は、複雑な高次元データ分布、すなわちデータサンプルとより単純な低次元潜在空間の間の双方向マッピングについて生成モデルと推論モデルの両方を学ぶニューラルネットワークである。
従来のganフレームワークを拡張して、画像と潜在空間の両方で逆戦略を書き直し、データラテントエンコードされた後方と前との間を絡み合うゲームによって推論する。
これは古典的なGANスキームに測定可能な安定性と収束をもたらし、その生成品質を保ち、実験用PC上で動作するために単純で簡素なままである。
これは拡張され、自己組織された潜在空間を教師なしの方法で活用することを可能にする。
先行論文の分析により,提案アルゴリズムの理論的根拠が定まる。
自己スーパービジョンやマルチモーダルデータ変換のような潜在的な応用の質的な実証は、SARや光学画像を含む一般的な画像データセットに与えられる。
関連論文リスト
- Unseen Image Synthesis with Diffusion Models [44.37803942479853]
単ドメインデータセット上で、事前学習および凍結したDenoising Diffusion Probabilistic Models (DDPM) を用いて、未確認領域画像を追加訓練せずに合成する。
我々のキーとなる観察は、単ドメイン画像のみに事前訓練されたDDPMは、反転潜時符号化から任意の画像を再構成するのに十分な表現能力を備えています。
我々は,様々なデータセット上で,事前学習拡散モデル (DDPM, iDDPM) を用いた広範囲な解析と実験を行った。
論文 参考訳(メタデータ) (2023-10-13T16:07:31Z) - Locality-preserving Directions for Interpreting the Latent Space of
Satellite Image GANs [20.010911311234718]
本稿では,ウェーブレットをベースとしたGAN(Generative Adversarial Networks)の潜伏空間を解釈する局所性認識手法を提案する。
局所性を保存することに集中して,提案手法は事前学習したGANの重み空間を分解し,解釈可能な方向を復元することができる。
論文 参考訳(メタデータ) (2023-09-26T12:29:36Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳(メタデータ) (2023-04-29T00:25:02Z) - Low-Rank Subspaces in GANs [101.48350547067628]
この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。
LowRankGAN は属性多様体の低次元表現を見つけることができる。
さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
論文 参考訳(メタデータ) (2021-06-08T16:16:32Z) - Generative Model without Prior Distribution Matching [26.91643368299913]
変分オートエンコーダ(VAE)とその変分は、いくつかの先行分布を満たすために低次元の潜在表現を学習することによって古典的な生成モデルである。
我々は、先行変数に適合させるのではなく、先行変数が埋め込み分布と一致するように提案する。
論文 参考訳(メタデータ) (2020-09-23T09:33:24Z) - Multimodal Image-to-Image Translation via Mutual Information Estimation
and Maximization [16.54980086211836]
マルチモーダル画像画像変換 (Multimodal image-to-image translation, I2IT) は、ソース領域の入力画像が与えられた対象領域内の複数の可能な画像を探索する条件分布を学習することを目的としている。
このような条件分布をモデル化するために、条件生成逆ネットワーク(cGAN)がよく用いられる。
本稿では,cGANにおける潜在コードと出力画像間の相互情報を明示的に推定し,最大化する手法を提案する。
論文 参考訳(メタデータ) (2020-08-08T14:09:23Z) - 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) - Brainstorming Generative Adversarial Networks (BGANs): Towards
Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。
多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。
本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-02-02T02:58:32Z)
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。