論文の概要: Generative Adversarial Networks for Astronomical Images Generation

• arxiv url: http://arxiv.org/abs/2111.11578v1
• Date: Mon, 22 Nov 2021 23:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 06:31:24.552607
• Title: Generative Adversarial Networks for Astronomical Images Generation
• Title（参考訳）: 天文画像生成のための生成的逆ネットワーク
• Authors: Davide Coccomini, Nicola Messina, Claudio Gennaro, Fabrizio Falchi
• Abstract要約: 本研究では、Webから取得した画像のデータセットである軽量GANと、空間の新たな表現を生成するためにGalaxy Zooデータセットを使用する。 結果の再現コードはhttps://github.com/davide-coccomini/GAN-Universe.comで公開されている。
• 参考スコア（独自算出の注目度）: 6.365889364810238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Space exploration has always been a source of inspiration for humankind, and thanks to modern telescopes, it is now possible to observe celestial bodies far away from us. With a growing number of real and imaginary images of space available on the web and exploiting modern deep Learning architectures such as Generative Adversarial Networks, it is now possible to generate new representations of space. In this research, using a Lightweight GAN, a dataset of images obtained from the web, and the Galaxy Zoo Dataset, we have generated thousands of new images of celestial bodies, galaxies, and finally, by combining them, a wide view of the universe. The code for reproducing our results is publicly available at https://github.com/davide-coccomini/GAN-Universe, and the generated images can be explored at https://davide-coccomini.github.io/GAN-Universe/.
• Abstract（参考訳）: 宇宙探査は常に人類のインスピレーションの源であり、現代の望遠鏡のおかげで、地球から遠く離れた天体を観測することが可能になった。 Web上で利用可能な空間のリアルイメージや想像上のイメージが増え、ジェネレーティブ・アドバイサル・ネットワークのような現代のディープラーニングアーキテクチャを活用することで、空間の新しい表現を生成できるようになった。 本研究では、Webから得られた画像のデータセットである軽量GANと、Galaxy Zoo Datasetを用いて、何千もの天体、銀河、そしてそれらを組み合わせることで、宇宙の広い視野を新たに生成した。 結果の再現コードはhttps://github.com/davide-coccomini/GAN-Universeで公開されている。

関連論文リスト

• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• Galaxy Classification: A machine learning approach for classifying shapes using numerical data [0.0]
  我々は,Galaxy Zooプロジェクトの数値データを用いて,銀河分類のための機械学習モデルを提案する。 我々のモデルは銀河の分類において高い精度を達成し、銀河の形成と進化の理解を著しく向上させる可能性を持っている。
  論文  参考訳（メタデータ） (2023-11-30T20:47:16Z)
• Infinite Photorealistic Worlds using Procedural Generation [135.10236145573043]
  インフィニゲン(Infinigen)は、自然界のフォトリアリスティックな3Dシーンのプロシージャジェネレータである。 形状からテクスチャに至るまで、すべての資産はランダム化された数学的ルールによってゼロから生成される。
  論文  参考訳（メタデータ） (2023-06-15T17:46:16Z)
• Partial-Attribution Instance Segmentation for Astronomical Source Detection and Deblending [0.24920602678297968]
  深層学習モデルに適した方法でソースの検出と検証を可能にする、Partial-Attribution Instancesと呼ばれる新しいアプローチを導入する。 提案手法の実証として,新しいニューラルネットワークの実装を提案する。
  論文  参考訳（メタデータ） (2022-01-12T21:59:13Z)
• Exploring Latent Dimensions of Crowd-sourced Creativity [0.02294014185517203]
  私たちは、AIベースの最大のクリエイティビティプラットフォームであるArtbreederの開発を行っています。 このプラットフォーム上で生成された画像の潜在次元を探索し、画像を操作するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-13T19:24:52Z)
• NeRS: Neural Reflectance Surfaces for Sparse-view 3D Reconstruction in the Wild [80.09093712055682]
  ニューラルリフレクタンスサーフェス(NeRS)と呼ばれる暗黙モデルの表面アナログを導入する。 NeRSは、球に微分される閉じた表面の神経形状の表現を学び、水密な再構成を保証する。 このようなデータから学習可能な表面ベースニューラル再構成は,体積的ニューラルレンダリングに基づく再構成よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-14T17:59:58Z)
• 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)
• First Full-Event Reconstruction from Imaging Atmospheric Cherenkov Telescope Real Data with Deep Learning [55.41644538483948]
  チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。 地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。 我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
  論文  参考訳（メタデータ） (2021-05-31T12:51:42Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Detection of asteroid trails in Hubble Space Telescope images using Deep Learning [0.0]
  本稿では,ハッブル宇宙望遠鏡で撮影した単一露光写真における小惑星軌道の画像認識へのDeep Learningの適用について述べる。 多層深層畳み込みニューラルネットワークに基づくアルゴリズムを用いて、検証セット上で80%以上の精度を報告する。
  論文  参考訳（メタデータ） (2020-10-29T09:03:18Z)
• Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
  天文学では、毎日大量の画像データが測光サーベイによって生成される。 本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:32:19Z)

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。