論文の概要: Leveraging Image-based Generative Adversarial Networks for Time Series
Generation
- arxiv url: http://arxiv.org/abs/2112.08060v1
- Date: Wed, 15 Dec 2021 11:55:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 20:46:55.712776
- Title: Leveraging Image-based Generative Adversarial Networks for Time Series
Generation
- Title(参考訳): 時系列生成のための画像ベース生成広告ネットワークの活用
- Authors: Justin Hellermann, Stefan Lessmann
- Abstract要約: 本稿では,時系列生成における画像ベース生成対向ネットワークの利用を容易にするために,時間的回帰プロット表現を提案する。
IRPは、厳格な勾配ペナルティを持つ既製のワッサースタインGANを現実的な時系列のサンプリングに利用でき、特殊なRNNベースのGANよりも優れている。
- 参考スコア(独自算出の注目度): 4.9571232160914365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models synthesize image data with great success regarding sampling
quality, diversity and feature disentanglement. Generative models for time
series lack these benefits due to a missing representation, which captures
temporal dynamics and allows inversion for sampling. The paper proposes the
intertemporal return plot (IRP) representation to facilitate the use of
image-based generative adversarial networks for time series generation. The
representation proves effective in capturing time series characteristics and,
compared to alternative representations, benefits from invertibility and
scale-invariance. Empirical benchmarks confirm these features and demonstrate
that the IRP enables an off-the-shelf Wasserstein GAN with gradient penalty to
sample realistic time series, which outperform a specialized RNN-based GAN,
while simultaneously reducing model complexity.
- Abstract(参考訳): 生成モデルは、サンプリング品質、多様性、特徴の絡み合いに関して大きな成功を収めた画像データを合成する。
時系列生成モデルは、時間的ダイナミクスを捉え、サンプリングの反転を可能にする表現の欠如によるこれらの利点を欠いている。
本稿では,時系列生成における画像ベース生成対向ネットワークの利用を容易にするために,時間的回帰プロット(IRP)表現を提案する。
この表現は時系列特性のキャプチャに有効であり、他の表現と比較して可逆性とスケール不変性による利点が証明される。
実験的なベンチマークによってこれらの特徴が確認され、IRPが標準のワッサースタインGANに勾配のペナルティを付与し、特殊なRNNベースのGANより優れ、同時にモデルの複雑さを低減できることを示した。
関連論文リスト
- Image Inpainting via Tractable Steering of Diffusion Models [54.13818673257381]
本稿では,トラクタブル確率モデル(TPM)の制約後部を正確に,かつ効率的に計算する能力を活用することを提案する。
具体的には、確率回路(PC)と呼ばれる表現型TPMのクラスを採用する。
提案手法は, 画像の全体的な品質とセマンティックコヒーレンスを, 計算オーバーヘッドを10%加えるだけで一貫的に改善できることを示す。
論文 参考訳(メタデータ) (2023-11-28T21:14:02Z) - Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - TcGAN: Semantic-Aware and Structure-Preserved GANs with Individual
Vision Transformer for Fast Arbitrary One-Shot Image Generation [11.207512995742999]
画像の内部パッチから学習する生成的敵ネットワークを持つワンショット画像生成(OSG)は、世界中で注目を集めている。
本稿では,既存のワンショット画像生成手法の欠点を克服するために,個々の視覚変換器を用いた構造保存方式TcGANを提案する。
論文 参考訳(メタデータ) (2023-02-16T03:05:59Z) - Universal Generative Modeling in Dual-domain for Dynamic MR Imaging [22.915796840971396]
我々は,高度にアンダーサンプリングされた測定値の再構成を行うために,k-spaceとDu-al-Domainコラボレーティブユニバーサル生成モデル(DD-UGM)を提案する。
より正確には、画像領域とk空間領域の両方の先行成分を普遍的な生成モデルで抽出し、これらの先行成分を適応的に処理し、より高速に処理する。
論文 参考訳(メタデータ) (2022-12-15T03:04:48Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - Auto-regressive Image Synthesis with Integrated Quantization [55.51231796778219]
本稿では,条件付き画像生成のための多目的フレームワークを提案する。
CNNの帰納バイアスと自己回帰の強力なシーケンスモデリングが組み込まれている。
提案手法は,最先端技術と比較して,優れた多彩な画像生成性能を実現する。
論文 参考訳(メタデータ) (2022-07-21T22:19:17Z) - Global Context with Discrete Diffusion in Vector Quantised Modelling for
Image Generation [19.156223720614186]
ベクトル量子変分オートエンコーダと自己回帰モデルとを生成部として統合することにより、画像生成における高品質な結果が得られる。
本稿では,VQ-VAEからのコンテンツリッチな離散視覚コードブックの助けを借りて,この離散拡散モデルにより,グローバルな文脈で高忠実度画像を生成することができることを示す。
論文 参考訳(メタデータ) (2021-12-03T09:09:34Z) - NeurInt : Learning to Interpolate through Neural ODEs [18.104328632453676]
本稿では,2つの画像間の軌跡分布を学習する新しい生成モデルを提案する。
提案手法の有効性を示すとともに,画像の品質向上と,実画像と対象画像の任意のペアに対して,スムーズな軌道上の多様な分布を学習する能力を示す。
論文 参考訳(メタデータ) (2021-11-07T16:31:18Z) - Moment evolution equations and moment matching for stochastic image
EPDiff [68.97335984455059]
画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。
応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。
パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
論文 参考訳(メタデータ) (2021-10-07T11:08:11Z) - High-Fidelity Synthesis with Disentangled Representation [60.19657080953252]
本稿では,不整合学習と高忠実度合成のためのID-GAN(Information-Distillation Generative Adrial Network)を提案する。
提案手法は, VAEモデルを用いて非交叉表現を学習し, 高忠実度合成のためのGAN生成器に追加のニュアンス変数で学習表現を蒸留する。
単純さにもかかわらず,提案手法は高効率であり,不整合表現を用いた最先端の手法に匹敵する画像生成品質を実現する。
論文 参考訳(メタデータ) (2020-01-13T14:39:40Z)
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。