論文の概要: Discriminating Against Unrealistic Interpolations in Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2203.01035v1
• Date: Wed, 2 Mar 2022 11:27:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 00:27:18.860394
• Title: Discriminating Against Unrealistic Interpolations in Generative Adversarial Networks
• Title（参考訳）: 生成的対立ネットワークにおける非現実的補間に対する差別
• Authors: Henning Petzka, Ted Kronvall, Cristian Sminchisescu
• Abstract要約: 深層生成モデルの潜伏空間における補間は、意味のある混合物を合成するための標準ツールの1つである。 最近の研究は、生成したサンプルの多様体上での最短経路を強制するのに適した計量を持つ潜時空間を備えている。 本稿では,最も短い経路に沿った試料品質の低い領域を避けるために,識別器を効果的に利用することを確立する。
• 参考スコア（独自算出の注目度）: 31.30845262943782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpolations in the latent space of deep generative models is one of the standard tools to synthesize semantically meaningful mixtures of generated samples. As the generator function is non-linear, commonly used linear interpolations in the latent space do not yield the shortest paths in the sample space, resulting in non-smooth interpolations. Recent work has therefore equipped the latent space with a suitable metric to enforce shortest paths on the manifold of generated samples. These are often, however, susceptible of veering away from the manifold of real samples, resulting in smooth but unrealistic generation that requires an additional method to assess the sample quality along paths. Generative Adversarial Networks (GANs), by construction, measure the sample quality using its discriminator network. In this paper, we establish that the discriminator can be used effectively to avoid regions of low sample quality along shortest paths. By reusing the discriminator network to modify the metric on the latent space, we propose a lightweight solution for improved interpolations in pre-trained GANs.
• Abstract（参考訳）: 深層生成モデルの潜在空間における補間は、生成したサンプルの意味的に意味のある混合物を合成する標準的なツールの1つである。 生成関数は非線形であるため、潜在空間において一般的に用いられる線形補間はサンプル空間の最も短い経路を生じず、非スムース補間となる。 したがって、最近の研究は、生成されたサンプルの多様体上での最短経路を強制する適切な計量を持つ潜時空間を備えている。 しかし、これらはしばしば実サンプルの多様体から遠ざかる可能性があり、経路に沿ってサンプルの品質を評価する追加の方法を必要とする滑らかだが非現実的な生成をもたらす。 Generative Adversarial Networks (GANs) は、構築により、その識別器ネットワークを用いてサンプル品質を測定する。 本稿では,最短経路に沿った低試料品質の領域を避けるために,判別器を効果的に使用できることを示す。 判別器ネットワークを再利用して潜在空間の計量を変化させることで、事前学習されたGANの補間を改善するための軽量な解法を提案する。

関連論文リスト

• Generalization error of min-norm interpolators in transfer learning [2.7309692684728617]
  最小ノルム補間器は、現代の機械学習アルゴリズムの暗黙の正規化限界として自然に現れる。 多くのアプリケーションでは、トレーニング中に限られた量のテストデータが利用できるが、この設定におけるmin-normの特性は十分に理解されていない。 我々はこれらの特徴を達成するために、新しい異方性局所法を確立した。
  論文  参考訳（メタデータ） (2024-06-20T02:23:28Z)
• StyleGenes: Discrete and Efficient Latent Distributions for GANs [149.0290830305808]
  GAN(Generative Adversarial Networks)のための離散潜在分布を提案する。 連続的な先行点から潜在ベクトルを描く代わりに、学習可能な潜在点の有限集合からサンプリングする。 私たちは生物の情報のエンコーディングからインスピレーションを得ます。
  論文  参考訳（メタデータ） (2023-04-30T23:28:46Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Generation of data on discontinuous manifolds via continuous stochastic non-invertible networks [6.201770337181472]
  連続ネットワークを用いて不連続分布を生成する方法を示す。 コスト関数と情報理論の定式化の関係を導出する。 提案手法を合成2次元分布に適用し,不連続分布の再構成と生成の両立を実証する。
  論文  参考訳（メタデータ） (2021-12-17T17:39:59Z)
• Latent reweighting, an almost free improvement for GANs [12.605607949417033]
  一連の作業は、計算コストの増大を犠牲にして、事前訓練された発電機からのサンプリング品質を改善することを目的としている。 遅延重みを予測するための追加ネットワークと、最も貧しいサンプルを避けるための2つの関連するサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2021-10-19T08:33:57Z)
• Particle Filter Bridge Interpolation [0.0]
  以前に導入した次元独立生成法に基づいて構築する。 高い表現密度の領域を正確に識別する識別ネットワークを紹介します。 得られたサンプリング手順により、パスのばらつきが大きくなり、データ密度の高い領域へのより強いドリフトが可能になる。
  論文  参考訳（メタデータ） (2021-03-27T18:33:00Z)
• The Bures Metric for Generative Adversarial Networks [10.69910379275607]
  GAN(Generative Adversarial Networks)は、高品質なサンプルを生成する高性能な生成手法である。 実バッチの多様性と偽バッチの多様性を一致させることを提案する。 多様性マッチングはモード崩壊を著しく低減し, サンプル品質に肯定的な影響を及ぼす。
  論文  参考訳（メタデータ） (2020-06-16T12:04:41Z)
• Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling by Exploring Energy of the Discriminator [85.68825725223873]
  GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。 本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。 我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
  論文  参考訳（メタデータ） (2020-04-05T01:50:16Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。