Fugu-MT 論文翻訳(概要): LatentGAN Autoencoder: Learning Disentangled Latent Distribution

論文の概要: LatentGAN Autoencoder: Learning Disentangled Latent Distribution

arxiv url: http://arxiv.org/abs/2204.02010v2
Date: Mon, 20 Jan 2025 14:56:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-22 14:17:40.046665
Title: LatentGAN Autoencoder: Learning Disentangled Latent Distribution
Title（参考訳）: ラテントGANオートエンコーダ: 遠方形ラテント分布の学習
Authors: Sanket Kalwar, Animikh Aich, Tanay Dixit, Adit Chhabra,
Abstract要約: オートエンコーダでは、エンコーダは一般的にデータセット上の潜時分布を近似し、デコーダはこの学習した潜時分布を用いてサンプルを生成する。この研究は、LatentGANジェネレータを使用してオートエンコーダの潜伏分布を直接学習し、MNIST、3D Chair、CelebAデータセットで有意義な結果を示す。
参考スコア（独自算出の注目度）: 5.0651039215997615
License:
Abstract: In autoencoder, the encoder generally approximates the latent distribution over the dataset, and the decoder generates samples using this learned latent distribution. There is very little control over the latent vector as using the random latent vector for generation will lead to trivial outputs. This work tries to address this issue by using the LatentGAN generator to directly learn to approximate the latent distribution of the autoencoder and show meaningful results on MNIST, 3D Chair, and CelebA datasets, an additional information-theoretic constrain is used which successfully learns to control autoencoder latent distribution. With this, our model also achieves an error rate of 2.38 on MNIST unsupervised image classification, which is better as compared to InfoGAN and AAE.
Abstract（参考訳）: オートエンコーダでは、エンコーダは一般的にデータセット上の潜時分布を近似し、デコーダはこの学習した潜時分布を用いてサンプルを生成する。潜在ベクトルに対する制御はほとんどなく、生成にランダム潜在ベクトルを使うことは自明な出力につながる。本研究では、LatentGANジェネレータを用いてオートエンコーダの潜伏分布を直接学習し、MNIST, 3D Chair, CelebAデータセット上で有意義な結果を示す。これにより,MNISTの教師なし画像分類では2.38の誤差率が得られるが,InfoGANやAEに比べればよい。

関連論文リスト

Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-07-17T07:12:29Z)
NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文参考訳（メタデータ） (2022-09-29T04:06:00Z)
Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
論文参考訳（メタデータ） (2022-02-08T18:08:24Z)
Implicit Autoencoder for Point-Cloud Self-Supervised Representation Learning [39.521374237630766]
最もポピュラーでアクセスしやすい3D表現、すなわち点雲は、下層の連続した3D表面の離散的なサンプルを含む。この離散化プロセスは3次元形状のサンプリングのバリエーションを導入し、真の3次元幾何学の伝達可能な知識を開発するのが困難になる。標準的なオートエンコーディングパラダイムでは、エンコーダは3D形状だけでなく、3D形状の特定の離散サンプリングに関する情報を潜在コードにエンコードする。これは、デコーダによって再構成された点雲が、原点と再構成された点との完全なマッピングがない限り、受け入れられないためである。
論文参考訳（メタデータ） (2022-01-03T18:05:52Z)
Neural Distributed Source Coding [59.630059301226474]
相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
論文参考訳（メタデータ） (2021-06-05T04:50:43Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Generate High Resolution Images With Generative Variational Autoencoder [0.0]
本稿では,高解像度画像を生成する新しいニューラルネットワークを提案する。エンコーダをそのまま使用しながら,VAEのデコーダを識別器に置き換える。我々は、MNIST、LSUN、CelebAの3つの異なるデータセットでネットワークを評価した。
論文参考訳（メタデータ） (2020-08-12T20:15:34Z)
Unsupervised Controllable Generation with Self-Training [90.04287577605723]
GANによる制御可能な世代は依然として困難な研究課題である。本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
論文参考訳（メタデータ） (2020-07-17T21:50:35Z)
Variance Constrained Autoencoding [0.0]
エンコーダの場合、同時に分布制約を強制し、出力歪みを最小化しようとすると、生成的および再構成的品質が低下することを示す。本稿では,分散制約のみを適用した分散制約付きオートエンコーダ(VCAE)を提案する。実験の結果,VCAEは,MNISTとCelebAの再構成および生成品質において,ワッサースタインオートエンコーダと変分オートエンコーダを改良することがわかった。
論文参考訳（メタデータ） (2020-05-08T00:50:50Z)
Batch norm with entropic regularization turns deterministic autoencoders into generative models [14.65554816300632]
変分オートエンコーダはよく定義された深部生成モデルである。本研究では、非決定論の情報源としてバッチ正規化を利用することで、決定論的オートエンコーダを生成モデルに変換するのに十分であることを示す。
論文参考訳（メタデータ） (2020-02-25T02:42:18Z)

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。