論文の概要: A Comprehensive Survey on Data-Efficient GANs in Image Generation

• arxiv url: http://arxiv.org/abs/2204.08329v1
• Date: Mon, 18 Apr 2022 14:14:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 15:08:26.418707
• Title: A Comprehensive Survey on Data-Efficient GANs in Image Generation
• Title（参考訳）: 画像生成におけるデータ効率GANに関する総合的調査
• Authors: Ziqiang Li, Xintian Wu, Beihao Xia, Jing Zhang, Chaoyue Wang, Bin Li
• Abstract要約: GAN(Generative Adversarial Networks)は画像合成において顕著な成果を上げている。 限られたトレーニングデータにより、GANのトレーニングプロセスを安定させ、現実的な画像を生成する方法が注目されている。 データ効率のよいGAN(DE-GAN)の課題は主に、(i)訓練と目標配分のミスマッチ、(ii)識別器のオーバーフィッティング、(iii)潜伏とデータ空間の不均衡の3つの側面から生じる。
• 参考スコア（独自算出の注目度）: 21.03377218098632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Networks (GANs) have achieved remarkable achievements in image synthesis. These successes of GANs rely on large scale datasets, requiring too much cost. With limited training data, how to stable the training process of GANs and generate realistic images have attracted more attention. The challenges of Data-Efficient GANs (DE-GANs) mainly arise from three aspects: (i) Mismatch Between Training and Target Distributions, (ii) Overfitting of the Discriminator, and (iii) Imbalance Between Latent and Data Spaces. Although many augmentation and pre-training strategies have been proposed to alleviate these issues, there lacks a systematic survey to summarize the properties, challenges, and solutions of DE-GANs. In this paper, we revisit and define DE-GANs from the perspective of distribution optimization. We conclude and analyze the challenges of DE-GANs. Meanwhile, we propose a taxonomy, which classifies the existing methods into three categories: Data Selection, GANs Optimization, and Knowledge Sharing. Last but not the least, we attempt to highlight the current problems and the future directions.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は画像合成において顕著な成果を上げている。 GANの成功は大規模なデータセットに依存しており、コストが大きすぎる。 限られたトレーニングデータにより、GANのトレーニングプロセスを安定させ、現実的な画像を生成する方法が注目されている。 データ効率のよいGAN(DE-GAN)の課題は主に3つの側面から生じる。 (i)訓練と目標分布のミスマッチ。 (ii)差別者の過失,及び (iii)潜在空間とデータ空間の不均衡。 これらの問題を緩和するために多くの強化と事前学習戦略が提案されているが、デガンの性質、課題、解決策をまとめる体系的な調査が欠けている。 本稿では,分散最適化の観点からデガンを再検討し,定義する。 我々はD-GANの課題を結論付け分析する。 本稿では,既存の手法をデータ選択,GAN最適化,知識共有という3つのカテゴリに分類する分類法を提案する。 最後に、私たちは現在の問題と今後の方向性を強調しようと試みます。

関連論文リスト

• Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
  生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。 本研究ではまず,生成モデルの本質的な特徴について考察する。 本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
  論文  参考訳（メタデータ） (2024-11-01T09:05:47Z)
• On the Convergence of (Stochastic) Gradient Descent for Kolmogorov--Arnold Networks [56.78271181959529]
  Kolmogorov--Arnold Networks (KAN) はディープラーニングコミュニティで注目されている。 実験により、勾配降下(SGD)により最適化されたカンが、ほぼゼロに近い訓練損失を達成できることが示された。
  論文  参考訳（メタデータ） (2024-10-10T15:34:10Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
  グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。 我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。 本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
  論文  参考訳（メタデータ） (2022-09-08T16:20:25Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• FakeCLR: Exploring Contrastive Learning for Solving Latent Discontinuity in Data-Efficient GANs [24.18718734850797]
  Data-Efficient GAN(DE-GAN)は、限られたトレーニングデータで生成モデルを学習することを目的としている。 対照的な学習は、DE-GANの合成品質を高める大きな可能性を示している。 偽のサンプルに対してのみ対照的な学習を行うFakeCLRを提案する。
  論文  参考訳（メタデータ） (2022-07-18T14:23:38Z)
• PriorGAN: Real Data Prior for Generative Adversarial Nets [36.01759301994946]
  本稿では,GAN(PreferGAN)と呼ばれる,GANの実際のデータ分布全体をキャプチャする手法を提案する。 実験の結果,CIFAR-10,FFHQ,LSUN-cat,LSUN-birdのデータセットにおいて,プリエントGANは最先端のデータセットよりも大きな差があることがわかった。
  論文  参考訳（メタデータ） (2020-06-30T17:51:47Z)
• Generative Adversarial Networks (GANs Survey): Challenges, Solutions, and Future Directions [15.839877885431806]
  Generative Adversarial Networks (GANs) は、近年注目されている深層生成モデルの新しいクラスである。 GANは、画像、オーディオ、データに対して暗黙的に複雑で高次元の分布を学習する。 GANのトレーニングには、モード崩壊、非収束、不安定といった大きな課題がある。
  論文  参考訳（メタデータ） (2020-04-30T19:26:46Z)
• Recommender Systems Based on Generative Adversarial Networks: A Problem-Driven Perspective [27.11589218811911]
  GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。 本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
  論文  参考訳（メタデータ） (2020-03-05T08:05:38Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。