論文の概要: Hyper-GAN: Transferring Unconditional to Conditional GANs with HyperNetworks

• arxiv url: http://arxiv.org/abs/2112.02219v1
• Date: Sat, 4 Dec 2021 02:06:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-11 05:24:50.540760
• Title: Hyper-GAN: Transferring Unconditional to Conditional GANs with HyperNetworks
• Title（参考訳）: Hyper-GAN: HyperNetworksによる条件付きGANへの無条件転送
• Authors: H\'ector Laria, Yaxing Wang, Joost van de Weijer, Bogdan Raducanu
• Abstract要約: 条件付きGANは近年成熟しており、高品質なリアルな画像を生成することができる。 本稿では,高品質な未条件GANから条件付きGANへの移行について検討する。
• 参考スコア（独自算出の注目度）: 38.81192602731488
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Conditional GANs have matured in recent years and are able to generate high-quality realistic images. However, the computational resources and the training data required for the training of high-quality GANs are enormous, and the study of transfer learning of these models is therefore an urgent topic. In this paper, we explore the transfer from high-quality pre-trained unconditional GANs to conditional GANs. To this end, we propose hypernetwork-based adaptive weight modulation. In addition, we introduce a self-initialization procedure that does not require any real data to initialize the hypernetwork parameters. To further improve the sample efficiency of the knowledge transfer, we propose to use a self-supervised (contrastive) loss to improve the GAN discriminator. In extensive experiments, we validate the efficiency of the hypernetworks, self-initialization and contrastive loss for knowledge transfer on several standard benchmarks.
• Abstract（参考訳）: 条件付きGANは近年成熟しており、高品質な現実画像を生成することができる。 しかし、高品質なGANの訓練に必要な計算資源と訓練データは非常に大きいため、これらのモデルの伝達学習の研究は緊急の課題である。 本稿では,高品質な未条件GANから条件GANへの移行について検討する。 そこで我々は,ハイパーネットワークに基づく適応重み変調を提案する。 さらに,ハイパーネットワークパラメータを初期化する実データを必要としない自己初期化手順を導入する。 さらに, 知識伝達のサンプル効率を向上させるために, 自己教師付き(矛盾)損失を用いたgan判別器の改良を提案する。 本研究では,ハイパーネットの効率性,自己初期化,知識伝達のコントラスト損失について,いくつかの標準ベンチマークで検証した。

関連論文リスト

• MCGAN: Enhancing GAN Training with Regression-Based Generator Loss [5.7645234295847345]
  高忠実度データを生成する強力なツールとして,GAN(Adversarial Network)が登場している。 我々はモンテカルロガン(MCGAN)と呼ばれるアルゴリズムを提案する。 このアプローチは、革新的生成損失関数、すなわち回帰損失を利用して、回帰タスクとしてジェネレータトレーニングを再構成する。 本手法は, 有効発電機訓練のために, 判別器に弱い条件を必要とすることを示す。
  論文  参考訳（メタデータ） (2024-05-27T14:15:52Z)
• Transfer Learning Under High-Dimensional Graph Convolutional Regression Model for Node Classification [20.18595334666282]
  グラフ畳み込み多相ロジスティック回帰(GCR)モデルと、トランス-GCRと呼ばれるGCRモデルに基づく伝達学習手法を提案する。 我々は,高次元環境下でのGCRモデルで得られた推定値について理論的に保証する。
  論文  参考訳（メタデータ） (2024-05-26T19:30:14Z)
• Generative adversarial networks for data-scarce spectral applications [0.0]
  合成スペクトルデータ生成分野におけるGANの応用について報告する。 CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
  論文  参考訳（メタデータ） (2023-07-14T16:27:24Z)
• 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)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• Uniform Priors for Data-Efficient Transfer [65.086680950871]
  もっとも移動可能な特徴は埋め込み空間において高い均一性を有することを示す。 我々は、未確認のタスクやデータへの適応を容易にする能力の正規化を評価する。
  論文  参考訳（メタデータ） (2020-06-30T04:39:36Z)
• On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
  生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。 このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。 我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。 限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
  論文  参考訳（メタデータ） (2020-02-26T21:53:36Z)

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。