論文の概要: Generative Adversarial Networks and Adversarial Autoencoders: Tutorial and Survey

• arxiv url: http://arxiv.org/abs/2111.13282v1
• Date: Fri, 26 Nov 2021 00:45:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 15:33:51.078935
• Title: Generative Adversarial Networks and Adversarial Autoencoders: Tutorial and Survey
• Title（参考訳）: 生成型adversarial networkとadversarial autoencoders:チュートリアルとサーベイ
• Authors: Benyamin Ghojogh, Ali Ghodsi, Fakhri Karray, Mark Crowley
• Abstract要約: 本チュートリアルおよび調査論文は、GAN(Geneversarial Adversarial Network)、対向オートエンコーダ、およびそれらの変種に関するものである。 まず、敵対的学習とバニラGANを説明します。 モード崩壊問題を導入し、この問題を解決するためにミニバッチGAN、アンロールGAN、混合GAN、D2GAN、Wasserstein GANなど様々な手法を導入している。
• 参考スコア（独自算出の注目度）: 5.967999555890417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This is a tutorial and survey paper on Generative Adversarial Network (GAN), adversarial autoencoders, and their variants. We start with explaining adversarial learning and the vanilla GAN. Then, we explain the conditional GAN and DCGAN. The mode collapse problem is introduced and various methods, including minibatch GAN, unrolled GAN, BourGAN, mixture GAN, D2GAN, and Wasserstein GAN, are introduced for resolving this problem. Then, maximum likelihood estimation in GAN are explained along with f-GAN, adversarial variational Bayes, and Bayesian GAN. Then, we cover feature matching in GAN, InfoGAN, GRAN, LSGAN, energy-based GAN, CatGAN, MMD GAN, LapGAN, progressive GAN, triple GAN, LAG, GMAN, AdaGAN, CoGAN, inverse GAN, BiGAN, ALI, SAGAN, Few-shot GAN, SinGAN, and interpolation and evaluation of GAN. Then, we introduce some applications of GAN such as image-to-image translation (including PatchGAN, CycleGAN, DeepFaceDrawing, simulated GAN, interactive GAN), text-to-image translation (including StackGAN), and mixing image characteristics (including FineGAN and MixNMatch). Finally, we explain the autoencoders based on adversarial learning including adversarial autoencoder, PixelGAN, and implicit autoencoder.
• Abstract（参考訳）: 本稿では,generative adversarial network (gan),adversarial autoencoders,およびそれらの変種に関するチュートリアルおよび調査論文について述べる。 まず、敵対的学習とバニラGANを説明します。 次に条件付きGANとDCGANについて説明する。 モード崩壊問題を導入し、この問題を解決するために、ミニバッチGAN、アンロールGAN、BourGAN、混合GAN、D2GAN、Wasserstein GANなど様々な手法を導入している。 そして、F-GAN、逆変分ベイズ、ベイズGANとともに、GANの最大推定を行う。 次に, GAN, InfoGAN, GRAN, LSGAN, エネルギーベース GAN, CatGAN, MMD GAN, LapGAN, プログレッシブ GAN, トリプル GAN, LAG, GMAN, AdaGAN, CoGAN, 逆 GAN, BiGAN, ALI, SAGAN, Few-shot GAN, SinGAN, およびGANの補間と評価について述べる。 次に、画像間翻訳(PatchGAN、CycleGAN、DeepFaceDrawing、シミュレートされたGAN、インタラクティブなGAN)、テキスト間翻訳(StackGANを含む)、画像特性(FinGAN、MixNMatchを含む)などのGANの応用を紹介する。 最後に,adversarial autoencoder, pixelgan, implicit autoencoderを含む,adversarial learningに基づくオートエンコーダについて説明する。

関連論文リスト

• In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
  ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。 エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
  論文  参考訳（メタデータ） (2023-09-25T08:42:06Z)
• JoIN: Joint GANs Inversion for Intrinsic Image Decomposition [16.02463667910604]
  我々は,GAN(Generative Adversarial Networks)のバンクを用いて,不測の逆画像問題を解決することを提案する。 提案手法は,複雑な画像分布をキャプチャするGANの実証的な成功に基づいている。
  論文  参考訳（メタデータ） (2023-05-18T22:09:32Z)
• Spider GAN: Leveraging Friendly Neighbors to Accelerate GAN Training [20.03447539784024]
  本稿では,画像を入力とするGANの学習手法を提案する。 このプロセスは、密接に関連するデータセットや、ターゲット分布のフレンドリーな近所'を識別することで、効率的に行うことができる。 我々は、スパイダーガンの定式化がより高速な収束をもたらすことを示し、ジェネレータは、一見無関係なデータセットでさえ対応を発見できることを示した。
  論文  参考訳（メタデータ） (2023-05-12T17:03:18Z)
• DGL-GAN: Discriminator Guided Learning for GAN Compression [57.6150859067392]
  高計算コストのGAN(Generative Adversarial Networks)は、ランダムノイズから高分解能画像を合成する際、顕著な成果を上げている。 本稿では,bf DGL-GAN と呼ばれるバニラ bf GAN を圧縮するための,新しい単純な bf 識別器 bf 誘導 bf 学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-13T09:24:45Z)
• Rebooting ACGAN: Auxiliary Classifier GANs with Stable Training [45.70113212633225]
  条件付き生成逆数ネットワーク(cGAN)は、クラス情報をGANに組み込んで現実的な画像を生成する。 最も一般的なcGANの1つは、ソフトマックスクロスエントロピー損失(ACGAN)を持つ補助分類器GANである。 ACGANはまた、多様性の欠如により容易に分類できるサンプルを生成する傾向がある。
  論文  参考訳（メタデータ） (2021-11-01T17:51:33Z)
• GAN Inversion: A Survey [125.62848237531945]
  GANインバージョンは、与えられたイメージを事前に訓練されたGANモデルの潜在空間に戻すことを目的としている。 GANインバージョンは、StyleGANやBigGANなどの事前トレーニングされたGANモデルを実際の画像編集アプリケーションに使用できるようにする上で重要な役割を果たします。
  論文  参考訳（メタデータ） (2021-01-14T14:11:00Z)
• Guiding GANs: How to control non-conditional pre-trained GANs for conditional image generation [69.10717733870575]
  本稿では,汎用非条件GANを条件GANとして振る舞うための新しい方法を提案する。 提案手法は,非条件GANのジェネレータネットワークに供給される高次元ランダム入力を生成するために,エンコーダネットワークを混合するものである。
  論文  参考訳（メタデータ） (2021-01-04T14:03:32Z)
• A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications [154.4832792036163]
  GAN(Generative Adversarial Network)は近年ホットな研究トピックである。 GANは2014年から広く研究され、多くのアルゴリズムが提案されている。 本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
  論文  参考訳（メタデータ） (2020-01-20T01:52:05Z)

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。