論文の概要: A survey on GANs for computer vision: Recent research, analysis and
taxonomy
- arxiv url: http://arxiv.org/abs/2203.11242v1
- Date: Mon, 21 Mar 2022 18:06:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 12:44:09.680681
- Title: A survey on GANs for computer vision: Recent research, analysis and
taxonomy
- Title(参考訳): コンピュータビジョンのためのGANに関する調査:最近の研究、分析、分類
- Authors: Guillermo Iglesias, Edgar Talavera and Alberto D\'iaz-\'Alvarez
- Abstract要約: Surveyは、GANの概要を提供し、最新のアーキテクチャ、損失関数の最適化、検証メトリクス、アプリケーション領域を示すことを目的としている。
モデルアーキテクチャの異なるバリエーションの効率性を評価するとともに、最適なアプリケーション領域を示す。
本調査の最終目的は,今後の研究者を導く上で,より優れた結果が得られるGANの進化と性能の要約を提供することである。
- 参考スコア(独自算出の注目度): 0.2320417845168326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last few years, there have been several revolutions in the field of
deep learning, mainly headlined by the large impact of Generative Adversarial
Networks (GANs). GANs not only provide an unique architecture when defining
their models, but also generate incredible results which have had a direct
impact on society. Due to the significant improvements and new areas of
research that GANs have brought, the community is constantly coming up with new
researches that make it almost impossible to keep up with the times. Our survey
aims to provide a general overview of GANs, showing the latest architectures,
optimizations of the loss functions, validation metrics and application areas
of the most widely recognized variants. The efficiency of the different
variants of the model architecture will be evaluated, as well as showing the
best application area; as a vital part of the process, the different metrics
for evaluating the performance of GANs and the frequently used loss functions
will be analyzed. The final objective of this survey is to provide a summary of
the evolution and performance of the GANs which are having better results to
guide future researchers in the field.
- Abstract(参考訳): 過去数年間、ディープラーニングの分野には、主にgans(generative adversarial networks)の影響が中心となって、いくつかの革命が起きている。
gansはモデルを定義する際にユニークなアーキテクチャを提供するだけでなく、社会に直接影響を与える驚くべき結果を生み出します。
GANがもたらした大きな改善と新たな研究領域により、コミュニティは常に、時代に追いつくことがほとんど不可能な新しい研究を考え出しています。
我々の調査は、最新のアーキテクチャ、損失関数の最適化、バリデーションメトリクス、そして最も広く認識されている変種の適用領域を示す、GANの概要を概観することを目的としている。
モデルアーキテクチャの異なるバリエーションの効率を評価し、最適なアプリケーション領域を示します。プロセスの重要な部分として、ganのパフォーマンスを評価するためのさまざまな指標と頻繁に使用される損失関数を分析します。
本調査の最終目的は,今後の研究者を導く上で,より優れた結果が得られるGANの進化と性能の要約を提供することである。
関連論文リスト
- GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳(メタデータ) (2024-06-01T08:01:05Z) - Data-Centric Long-Tailed Image Recognition [49.90107582624604]
ロングテールモデルは高品質なデータに対する強い需要を示している。
データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。
現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
論文 参考訳(メタデータ) (2023-11-03T06:34:37Z) - A Chronological Survey of Theoretical Advancements in Generative
Adversarial Networks for Computer Vision [0.0]
GAN(Generative Adversarial Networks)は、特にコンピュータビジョンの研究分野において、長年にわたりワークホース生成モデルである。
GANに関する多くの調査があり、様々な視点と視点から膨大なGAN文献を整理している。
この調査は、このギャップを埋め、GANの理論と応用に関するいくつかの画期的な研究成果を時系列順に示すことを目的としている。
論文 参考訳(メタデータ) (2023-11-02T05:11:47Z) - Ten Years of Generative Adversarial Nets (GANs): A survey of the
state-of-the-art [0.0]
Generative Adversarial Networks (GAN) は、様々な領域にまたがる現実的で多様なデータを生成する強力なツールとして急速に登場した。
2018年2月、GANは「Top Ten Global Breakthrough Technologies List」でトップ10を獲得した。
この調査は、最も広く認識されているバリエーションの潜在アーキテクチャ、バリデーションメトリクス、およびアプリケーション領域を要約した、GANの一般的な概要を提供することを目的としている。
論文 参考訳(メタデータ) (2023-08-30T20:46:45Z) - A Comprehensive Review of Trends, Applications and Challenges In
Out-of-Distribution Detection [0.76146285961466]
アウト・オブ・ディストリビューション・データ・サブセットの検出とより包括的な一般化の実現に焦点をあてた研究分野が誕生した。
多くのディープラーニングベースのモデルは、ベンチマークデータセットでほぼ完璧な結果を得たため、これらのモデルの信頼性と信頼性を評価する必要性は、これまで以上に強く感じられる。
本稿では,本分野における70以上の論文のレビューに加えて,今後の研究の課題と方向性を提示するとともに,データシフトの多種多様さを統一的に把握し,より一般化するためのソリューションを提案する。
論文 参考訳(メタデータ) (2022-09-26T18:13:14Z) - Data Augmentation techniques in time series domain: A survey and
taxonomy [0.20971479389679332]
時系列を扱うディープニューラルネットワークは、トレーニングで使用されるデータセットのサイズと一貫性に大きく依存する。
この研究は、すべての利用可能なアルゴリズムの概要を提供するために、この分野の最先端を体系的にレビューする。
本研究の究極的な目的は、この分野の将来の研究者を導くために、より良い結果をもたらす領域の進化と性能を概説することである。
論文 参考訳(メタデータ) (2022-06-25T17:09:00Z) - 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) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳(メタデータ) (2021-11-11T09:43:56Z) - Generative adversarial networks in time series: A survey and taxonomy [7.885673762715387]
GAN(Generative Adversarial Network)の研究は、ここ数年で指数関数的に増加している。
GANアプリケーションは時系列やシーケンス生成といった分野にまたがって多様化してきた。
GANの比較的新しいニッチとして、フィールドワークは高品質で多様性があり、プライベートな時系列データの開発を続けている。
論文 参考訳(メタデータ) (2021-07-23T09:38:51Z) - Domain Generalization: A Survey [146.68420112164577]
ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。
初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
論文 参考訳(メタデータ) (2021-03-03T16:12:22Z) - Rethinking Generalization of Neural Models: A Named Entity Recognition
Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。
詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。
本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文 参考訳(メタデータ) (2020-01-12T04:33:53Z)
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。