論文の概要: Can We Find Neurons that Cause Unrealistic Images in Deep Generative Networks?

• arxiv url: http://arxiv.org/abs/2201.06346v2
• Date: Thu, 20 Jan 2022 04:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 13:01:15.248478
• Title: Can We Find Neurons that Cause Unrealistic Images in Deep Generative Networks?
• Title（参考訳）: 深部生成ネットワークに非現実的な画像を引き起こすニューロンは見つかるか?
• Authors: Hwanil Choi, Wonjoon Chang, Jaesik Choi
• Abstract要約: GANは必ずしも、フォトリアリスティックな画像が生成されることを保証しない。 時に「人工物」と呼ばれる欠陥や不自然な物体を持つ画像を生成する。
• 参考スコア（独自算出の注目度）: 25.296851582418405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Even though image generation with Generative Adversarial Networks has been showing remarkable ability to generate high-quality images, GANs do not always guarantee photorealistic images will be generated. Sometimes they generate images that have defective or unnatural objects, which are referred to as 'artifacts'. Research to determine why the artifacts emerge and how they can be detected and removed has not been sufficiently carried out. To analyze this, we first hypothesize that rarely activated neurons and frequently activated neurons have different purposes and responsibilities for the progress of generating images. By analyzing the statistics and the roles for those neurons, we empirically show that rarely activated neurons are related to failed results of making diverse objects and lead to artifacts. In addition, we suggest a correction method, called 'sequential ablation', to repair the defective part of the generated images without complex computational cost and manual efforts.
• Abstract（参考訳）: Generative Adversarial Networksによる画像生成は、高品質な画像を生成する素晴らしい能力を示しているが、GANが常にフォトリアリスティックな画像を生成するとは限らない。 時に「人工物」と呼ばれる欠陥や不自然な物体を持つ画像を生成する。 アーティファクトがなぜ出現し、どのように検出・除去できるかを決定する研究は、十分に行われていない。 これを分析するために、まず、滅多に活性化されたニューロンと頻繁に活性化されるニューロンは、画像の生成の進行に異なる目的と責任を持つと仮定する。 これらのニューロンの統計と役割を分析することで、希少な活性化ニューロンが多種多様な物を作り、人工物に繋がる失敗の結果と関係があることを実証的に示す。 また,複雑な計算コストや手作業を伴わずに生成画像の欠陥部分を修復する「逐次アブレーション」という補正手法を提案する。

関連論文リスト

• A Brain-Inspired Regularizer for Adversarial Robustness [25.57552719924835]
  近年の研究では、脳に似た表現を促進する正則化器を用いたCNNのトレーニングが、ニューラル記録を用いて、モデルロバスト性を改善することが示されている。 我々は,オリジナルの本質を保ちながら,画像画素の類似性を用いて計算される新たな正規化器を導入し,ニューラル記録の必要性を排除した。 我々の研究は、生物学的に動機付けられた損失関数が人工ニューラルネットワークの性能向上にどのように役立つかを探る。
  論文  参考訳（メタデータ） (2024-10-04T22:30:47Z)
• Disentangling representations of retinal images with generative models [12.547633373232026]
  患者属性をカメラ効果から切り離す網膜基底画像の新しい集団モデルを提案する。 以上の結果から,網膜基底画像生成における患者属性と技術共同創設者との複雑な関係について,新たな視点が得られた。
  論文  参考訳（メタデータ） (2024-02-29T14:11:08Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Phenotype-preserving metric design for high-content image reconstruction by generative inpainting [0.0]
  培養細胞の高濃度蛍光顕微鏡による画像修復法について検討した。 DeepFill V2やEdge Connectのようなアーキテクチャは、比較的少ないデータで微調整することで、顕微鏡イメージを忠実に復元できることを示します。
  論文  参考訳（メタデータ） (2023-07-26T18:13:16Z)
• Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
  真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。 画像から画像への回帰を3つのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-10T18:59:56Z)
• Hidden Markov Modeling for Maximum Likelihood Neuron Reconstruction [3.6321891270689055]
  脳のクリアリングとイメージングの最近の進歩により、哺乳類の脳全体をサブミクロン分解能で画像化することが可能になった。 これらの画像は、投射ニューロン形態学の脳全体のアトラスを組み立てる可能性を秘めているが、手動ニューロン再構築はいまだにボトルネックとなっている。 ここでは, 隠れマルコフモデルに触発された蛍光ニューロン画像の出現モデリングを行い, ニューロンの過程を自動的に追跡する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T20:24:56Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Counterfactual Generative Networks [59.080843365828756]
  画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。 適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。 その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-15T10:23:12Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。