論文の概要: StudioGAN: A Taxonomy and Benchmark of GANs for Image Synthesis
- arxiv url: http://arxiv.org/abs/2206.09479v1
- Date: Sun, 19 Jun 2022 20:12:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 15:29:16.340326
- Title: StudioGAN: A Taxonomy and Benchmark of GANs for Image Synthesis
- Title（参考訳）: StudioGAN: 画像合成のためのGANの分類とベンチマーク
- Authors: Minguk Kang, Joonghyuk Shin, and Jaesik Park
- Abstract要約: Generative Adversarial Network (GAN) は、現実的な画像合成のための最先端の生成モデルの一つである。
我々はGANアプローチの分類について研究し、StudioGANという新しいオープンソースライブラリを提示する。
StudioGANは7つのGANアーキテクチャ、9つの条件付きメソッド、4つの敵損失、13の正規化モジュール、3つの差別化可能な拡張、7つの評価指標、5つの評価バックボーンをサポートする。
- 参考スコア（独自算出の注目度）: 10.602988184845882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Network (GAN) is one of the state-of-the-art
generative models for realistic image synthesis. While training and evaluating
GAN becomes increasingly important, the current GAN research ecosystem does not
provide reliable benchmarks for which the evaluation is conducted consistently
and fairly. Furthermore, because there are few validated GAN implementations,
researchers devote considerable time to reproducing baselines. We study the
taxonomy of GAN approaches and present a new open-source library named
StudioGAN. StudioGAN supports 7 GAN architectures, 9 conditioning methods, 4
adversarial losses, 13 regularization modules, 3 differentiable augmentations,
7 evaluation metrics, and 5 evaluation backbones. With our training and
evaluation protocol, we present a large-scale benchmark using various datasets
(CIFAR10, ImageNet, AFHQv2, FFHQ, and Baby/Papa/Granpa-ImageNet) and 3
different evaluation backbones (InceptionV3, SwAV, and Swin Transformer).
Unlike other benchmarks used in the GAN community, we train representative
GANs, including BigGAN, StyleGAN2, and StyleGAN3, in a unified training
pipeline and quantify generation performance with 7 evaluation metrics. The
benchmark evaluates other cutting-edge generative models(e.g., StyleGAN-XL,
ADM, MaskGIT, and RQ-Transformer). StudioGAN provides GAN implementations,
training, and evaluation scripts with the pre-trained weights. StudioGAN is
available at https://github.com/POSTECH-CVLab/PyTorch-StudioGAN.
- Abstract（参考訳）: Generative Adversarial Network (GAN) は、現実的な画像合成のための最先端の生成モデルの一つである。
GANのトレーニングと評価がますます重要になる一方で、現在のGAN研究エコシステムは、その評価が一貫して公平に行われる信頼できるベンチマークを提供していない。
さらに、検証済みのGAN実装が少ないため、研究者はベースラインの再現にかなりの時間を費やしている。
我々はGANアプローチの分類について研究し、StudioGANという新しいオープンソースライブラリを提示する。
StudioGANは7つのGANアーキテクチャ、9つの条件付きメソッド、4つの敵損失、13の正規化モジュール、3つの差別化可能な拡張、7つの評価指標、5つの評価バックボーンをサポートする。
本稿では,各種データセット(CIFAR10, ImageNet, AFHQv2, FFHQ, Baby/Papa/Granpa-ImageNet)と3種類の評価バックボーン(InceptionV3, SwAV, Swin Transformer)を用いた大規模ベンチマークを提案する。
GANコミュニティで使用されている他のベンチマークとは異なり、BigGAN、StyleGAN2、StyleGAN3といった代表的GANを統一的なトレーニングパイプラインでトレーニングし、7つの評価指標で生成パフォーマンスを定量化しています。
このベンチマークは、他の最先端生成モデル(stylegan-xl, adm, maskgit, rq-transformerなど)を評価する。
StudioGANは、事前トレーニングされた重量でGAN実装、トレーニング、評価スクリプトを提供する。
StudioGANはhttps://github.com/POSTECH-CVLab/PyTorch-StudioGANで入手できる。
関連論文リスト
- SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。
スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。
スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
論文 参考訳（メタデータ） (2023-11-30T03:05:14Z) - GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。
このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
論文 参考訳（メタデータ） (2023-06-06T16:16:05Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Sequential training of GANs against GAN-classifiers reveals correlated
"knowledge gaps" present among independently trained GAN instances [1.104121146441257]
我々は、繰り返しGAN分類器を訓練し、分類器を「偽」するGANを訓練する。
本稿では, GAN訓練力学, 出力品質, GAN分類器の一般化に対する効果について検討する。
論文 参考訳（メタデータ） (2023-03-27T18:18:15Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Rebooting ACGAN: Auxiliary Classifier GANs with Stable Training [45.70113212633225]
条件付き生成逆数ネットワーク(cGAN)は、クラス情報をGANに組み込んで現実的な画像を生成する。
最も一般的なcGANの1つは、ソフトマックスクロスエントロピー損失(ACGAN)を持つ補助分類器GANである。
ACGANはまた、多様性の欠如により容易に分類できるサンプルを生成する傾向がある。
論文 参考訳（メタデータ） (2021-11-01T17:51:33Z) - A Unified View of cGANs with and without Classifiers [24.28407308818025]
Conditional Generative Adversarial Networks (cGANs) は、クラス条件分布からサンプリングできる暗黙の生成モデルである。
いくつかの代表的cGANは、分類器を使わずに最先端のパフォーマンスに到達するのを避ける。
本研究では,cGANを改善するために,分類器を適切に活用できることを実証する。
論文 参考訳（メタデータ） (2021-11-01T15:36:33Z) - Unbiased Auxiliary Classifier GANs with MINE [7.902878869106766]
本研究では,MINE(Mutual Information Neural Estorimat)を用いたUnbiased Auxiliary GAN(UAC-GAN)を提案する。
UAC-GANは3つのデータセット上でAC-GANやTACGANより優れている。
論文 参考訳（メタデータ） (2020-06-13T05:51:51Z) - Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。
成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。
GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文 参考訳（メタデータ） (2020-03-02T15:58:46Z) - A Novel Measure to Evaluate Generative Adversarial Networks Based on
Direct Analysis of Generated Images [0.0]
GAN(Generative Adversarial Network)は、ディープラーニング分野における最先端技術である。
本稿では、生成した画像を直接解析することで、GANを評価するための基本的な方法を検討する。
論文 参考訳（メタデータ） (2020-02-27T18:59:22Z)
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。