Fugu-MT 論文翻訳(概要): An Unsupervised Way to Understand Artifact Generating Internal Units in Generative Neural Networks

論文の概要: An Unsupervised Way to Understand Artifact Generating Internal Units in Generative Neural Networks

arxiv url: http://arxiv.org/abs/2112.08814v1
Date: Thu, 16 Dec 2021 11:59:26 GMT
ステータス: 処理完了
システム内更新日: 2021-12-17 21:58:55.376430
Title: An Unsupervised Way to Understand Artifact Generating Internal Units in Generative Neural Networks
Title（参考訳）: 生成ニューラルネットワークにおける内部単位生成アーチファクトの理解方法
Authors: Haedong Jeong, Jiyeon Han and Jaesik Choi
Abstract要約: そこで本稿では,アーティファクト生成を監視せずに検出するローカルアクティベーションの概念を提案する。提案手法は, 各種データセットを用いて, GANからのアーティファクト生成を検出し, 補正することができることを実証的に検証する。
参考スコア（独自算出の注目度）: 19.250873974729817
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Despite significant improvements on the image generation performance of Generative Adversarial Networks (GANs), generations with low visual fidelity still have been observed. As widely used metrics for GANs focus more on the overall performance of the model, evaluation on the quality of individual generations or detection of defective generations is challenging. While recent studies try to detect featuremap units that cause artifacts and evaluate individual samples, these approaches require additional resources such as external networks or a number of training data to approximate the real data manifold. In this work, we propose the concept of local activation, and devise a metric on the local activation to detect artifact generations without additional supervision. We empirically verify that our approach can detect and correct artifact generations from GANs with various datasets. Finally, we discuss a geometrical analysis to partially reveal the relation between the proposed concept and low visual fidelity.
Abstract（参考訳）: GAN(Generative Adversarial Networks)の画像生成性能は大幅に改善されているが、視力の低い世代がまだ観察されている。 GANの広く使われている指標は、モデル全体のパフォーマンスに重点を置いているため、個々の世代の品質評価や欠陥世代の検出は困難である。近年の研究では、アーチファクトの原因となる特徴マップを検知し、個々のサンプルを評価する試みが行われているが、実際のデータ多様体を近似するためには、外部ネットワークや多くのトレーニングデータといった追加のリソースが必要である。本研究では,局所的活性化の概念を提案し,局所的活性化の指標を考案し,余分な監督なしにアーティファクト生成を検出する。我々は、様々なデータセットを持つganから生成したアーティファクトを検知し、修正できることを実証的に検証する。最後に,提案した概念と低視力の関係を部分的に明らかにする幾何学的解析について考察する。

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)
GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文参考訳（メタデータ） (2024-02-03T03:13:50Z)
Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。 tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文参考訳（メタデータ） (2023-12-16T14:27:06Z)
Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文参考訳（メタデータ） (2023-07-07T04:03:48Z)
Entity-Conditioned Question Generation for Robust Attention Distribution in Neural Information Retrieval [51.53892300802014]
教師付きニューラル情報検索モデルでは,通過トークンよりも疎注意パターンを学習することが困難であることを示す。目的とする新しい合成データ生成手法を用いて、与えられた通路内の全てのエンティティに対して、より均一で堅牢な参加をニューラルIRに教える。
論文参考訳（メタデータ） (2022-04-24T22:36:48Z)
Generating unrepresented proportions of geological facies using Generative Adversarial Networks [0.0]
地質データセットにおける相の補間・補間におけるGAN(Generative Adversarial Networks)の能力について検討した。具体的には、トレーニングセットに存在しない新しい比率に向けて、生成されたファシズムを駆動できる条件付きGANモデルを設計する。両相・多重相の画像に対する数値実験は, 良好な地質学的整合性を示し, 対象条件と強い相関を示した。
論文参考訳（メタデータ） (2022-03-17T22:38:45Z)
on the effectiveness of generative adversarial network on anomaly detection [1.6244541005112747]
GANは、実際のトレーニング分布を特定するために、これらのモデルのリッチなコンテキスト情報に依存している。本稿では,自動エンコーダとGANを組み合わせた新しい教師なしモデルを提案する。識別器の内部表現と生成器の視覚表現の線形結合と、オートエンコーダの符号化表現とを組み合わせて、提案した異常スコアを定義する。
論文参考訳（メタデータ） (2021-12-31T16:35:47Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Joint Generative and Contrastive Learning for Unsupervised Person Re-identification [15.486689594217273]
最近の自己指導型コントラスト学習は、教師なしの人物再識別(ReID)に効果的なアプローチを提供する本稿では,GAN(Generative Adversarial Network)とコントラスト学習モジュールを1つのジョイントトレーニングフレームワークに統合する。
論文参考訳（メタデータ） (2020-12-16T16:49:57Z)
Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments [9.023847175654602]
GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。 GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。 GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
論文参考訳（メタデータ） (2020-05-27T05:56:53Z)

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。