論文の概要: Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2203.00667v1
• Date: Tue, 1 Mar 2022 18:37:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 14:15:24.025956
• Title: Generative Adversarial Networks
• Title（参考訳）: 生成的敵ネットワーク
• Authors: Gilad Cohen and Raja Giryes
• Abstract要約: GAN(Generative Adversarial Networks)は、高品質なデータを生成するための非常に人気のあるフレームワークである。 この章では、GANの原則を議論し、トレーニングと評価中に固有の問題をいくつか提示することで、GANを紹介します。
• 参考スコア（独自算出の注目度）: 43.10140199124212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Networks (GANs) are very popular frameworks for generating high-quality data, and are immensely used in both the academia and industry in many domains. Arguably, their most substantial impact has been in the area of computer vision, where they achieve state-of-the-art image generation. This chapter gives an introduction to GANs, by discussing their principle mechanism and presenting some of their inherent problems during training and evaluation. We focus on these three issues: (1) mode collapse, (2) vanishing gradients, and (3) generation of low-quality images. We then list some architecture-variant and loss-variant GANs that remedy the above challenges. Lastly, we present two utilization examples of GANs for real-world applications: Data augmentation and face images generation.
• Abstract（参考訳）: generative adversarial network (gans) は高品質なデータを生成するための非常に人気のあるフレームワークであり、多くの分野の学界と産業の両方で非常に使われている。 おそらく、彼らの最も大きな影響はコンピュータビジョンの分野であり、最先端の画像生成を達成している。 この章では、GANの原則について論じ、トレーニングと評価中に固有の問題をいくつか提示することで紹介する。 我々は,(1)モード崩壊,(2)勾配の消失,(3)低画質画像の生成という3つの課題に焦点を当てた。 次に、上記の課題を是正するアーキテクチャ変種および損失変種GANを列挙する。 最後に、実世界のアプリケーションにおけるganの2つの利用例を示す:データ拡張と顔画像生成。

関連論文リスト

• LSReGen: Large-Scale Regional Generator via Backward Guidance Framework [12.408195812609042]
  制御可能な画像生成は 依然として課題です トレーニング、前方指導、後方指導といった現在の手法には、顕著な制限がある。 本稿では,後方誘導の一般的な解釈を提供する新しい制御可能な生成フレームワークを提案する。 本稿では,高品質でレイアウトに適合した画像を生成するための大規模なレイアウト・ツー・イメージ手法であるLSReGenを紹介する。
  論文  参考訳（メタデータ） (2024-07-21T05:44:46Z)
• On Unsupervised Image-to-image translation and GAN stability [0.5523170464803535]
  本研究では,基礎研究の失敗事例であるCycleGANについて検討する。 これらの問題を緩和する2つの一般的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-18T04:00:43Z)
• PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
  鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。 水中画像強調(UIE)の課題も、時間とともに現れた。 本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。 我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-06-15T07:41:12Z)
• A Survey on Leveraging Pre-trained Generative Adversarial Networks for Image Editing and Restoration [72.17890189820665]
  GAN(Generative Adversarial Network)は、単純だが効果的なトレーニング機構と優れた画像生成品質により、大きな注目を集めている。 近年のGANモデルは生成した画像と実際の画像とのギャップを大幅に狭めている。 近年の多くの研究は、未学習のGANモデルと学習されたGAN先行空間を生かして、事前学習されたGANモデルを活用することへの関心が高まっている。
  論文  参考訳（メタデータ） (2022-07-21T05:05:58Z)
• Generative Neural Articulated Radiance Fields [104.9224190002448]
  我々は,人間の身体の放射界を標準的なポーズで生成し,明示的な変形場を用いて所望の身体のポーズや表情にワープする3D GANフレームワークを開発した。 変形認識訓練はポーズや表情を編集する際の身体や顔の質を著しく向上させる。
  論文  参考訳（メタデータ） (2022-06-28T22:49:42Z)
• Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
  単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。 近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。 本稿では,異なる視点からGANの比較研究を行う。
  論文  参考訳（メタデータ） (2022-04-28T16:35:04Z)
• GIU-GANs: Global Information Utilization for Generative Adversarial Networks [3.3945834638760948]
  本稿では,Involution Generative Adversarial Networks (GIU-GANs) と呼ばれる新しいGANを提案する。 GIU-GANは、Squeeze-and-Excitation Networks (SENet)とInvolutionを統合したGlobal Information utilization (GIU)モジュールと呼ばれる新しいモジュールを利用している。 バッチ正規化(BN)は、ジェネレータがサンプリングしたノイズ間の表現差を必然的に無視し、生成した画質を劣化させる。
  論文  参考訳（メタデータ） (2022-01-25T17:17:15Z)
• Dual Contrastive Loss and Attention for GANs [82.713118646294]
  この損失により、識別器はより一般化され、識別可能な表現を学習し、生成をインセンティブ化することを示す。 最近の最先端モデルでは使われていないものの、画像生成にはまだ重要なモジュールとして注目が集まっている。 これらの救済策の強みを組み合わせることで、Fr'echet Inception Distance(FID)をいくつかのベンチマークデータセットで少なくとも17.5%改善します。
  論文  参考訳（メタデータ） (2021-03-31T01:10:26Z)
• InfoMax-GAN: Improved Adversarial Image Generation via Information Maximization and Contrastive Learning [39.316605441868944]
  GAN(Generative Adversarial Networks)は、多くのジェネレーティブモデリングアプリケーションの基本である。 本稿では,GANにおける2つの基本的な問題を同時に緩和する基本的枠組みを提案する。 提案手法は, 5つのデータセットにわたる画像合成において, GANトレーニングを著しく安定化し, GAN性能を向上させる。
  論文  参考訳（メタデータ） (2020-07-09T06:56:11Z)

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。