論文の概要: FreGAN: Exploiting Frequency Components for Training GANs under Limited Data

• arxiv url: http://arxiv.org/abs/2210.05461v1
• Date: Tue, 11 Oct 2022 14:02:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:20:02.164551
• Title: FreGAN: Exploiting Frequency Components for Training GANs under Limited Data
• Title（参考訳）: FreGAN: 限られたデータでGANを訓練するための周波数成分を爆発させる
• Authors: Mengping Yang, Zhe Wang, Ziqiu Chi, Yanbing Zhang
• Abstract要約: 限られたデータの下でのGANのトレーニングは、しばしば差別者が過度に適合し、記憶する問題を引き起こす。 本稿では、FreGANを提案する。FreGANは、モデルの周波数認識を高め、高周波信号の生成により多くの注意を払っている。 実画像と生成画像の両方の周波数情報を活用することに加えて、実画像の周波数信号を自己監督的制約として含む。
• 参考スコア（独自算出の注目度）: 3.5459430566117893
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Training GANs under limited data often leads to discriminator overfitting and memorization issues, causing divergent training. Existing approaches mitigate the overfitting by employing data augmentations, model regularization, or attention mechanisms. However, they ignore the frequency bias of GANs and take poor consideration towards frequency information, especially high-frequency signals that contain rich details. To fully utilize the frequency information of limited data, this paper proposes FreGAN, which raises the model's frequency awareness and draws more attention to producing high-frequency signals, facilitating high-quality generation. In addition to exploiting both real and generated images' frequency information, we also involve the frequency signals of real images as a self-supervised constraint, which alleviates the GAN disequilibrium and encourages the generator to synthesize adequate rather than arbitrary frequency signals. Extensive results demonstrate the superiority and effectiveness of our FreGAN in ameliorating generation quality in the low-data regime (especially when training data is less than 100). Besides, FreGAN can be seamlessly applied to existing regularization and attention mechanism models to further boost the performance.
• Abstract（参考訳）: 限られたデータの下でのGANの訓練は、しばしば差別者が過度に適合し、記憶する問題を引き起こす。 既存のアプローチは、データ拡張、モデル正規化、アテンションメカニズムを用いることで、オーバーフィッティングを軽減する。 しかし、GANの周波数バイアスを無視し、特に豊富な詳細を含む高周波信号の周波数情報に対する配慮が不十分である。 本稿では,限られたデータの周波数情報を十分に活用するために,モデルの周波数認識を高め,高周波数信号の生成に注意を向け,高品質な生成を容易にするFreGANを提案する。 また、実画像と生成画像の両方の周波数情報を活用することに加え、実画像の周波数信号を自己監督的制約として含み、GAN不均衡を緩和し、任意の周波数信号よりも適切な合成を促す。 その結果,FreGANが低データ体制(特にトレーニングデータが100未満の場合)における生成品質の向上に有効であることが示された。 さらに、FreGANは既存の正規化とアテンションメカニズムモデルにシームレスに適用してパフォーマンスをさらに向上することができる。

関連論文リスト

• Mitigating Low-Frequency Bias: Feature Recalibration and Frequency Attention Regularization for Adversarial Robustness [23.77988226456179]
  本稿では,HFDR(High-Frequency Feature Disentanglement and Recalibration)と呼ばれる新しいモジュールを提案する。 HFDRは、特徴を高周波成分と低周波成分に分離し、高周波特徴を再検討し、潜在有用なセマンティクスをキャプチャする。 大規模な実験は、様々なホワイトボックス攻撃、転送攻撃、および強力な一般化能力に対する我々のアプローチの持つ大きな可能性と優位性を示している。
  論文  参考訳（メタデータ） (2024-07-04T15:46:01Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• How Does Frequency Bias Affect the Robustness of Neural Image Classifiers against Common Corruption and Adversarial Perturbations? [27.865987936475797]
  近年の研究では、データ拡張は低周波領域の特徴を過度に分析する結果をもたらすことが示されている。 モデルのジャコビアンに対して、低周波成分の比が大きいようにジャコビアン周波数正規化を提案する。 我々の手法は、深層学習モデルの周波数バイアスとロバスト性の間のより直接的な関係を解明する。
  論文  参考訳（メタデータ） (2022-05-09T20:09:31Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Frequency-bin entanglement from domain-engineered down-conversion [101.18253437732933]
  フィルタや共振器の共振器を用いない離散周波数ビン絡みの単一パス源を提案する。 ドメインエンジニアリングされた非線形結晶を用いて、通信波長で8モードの周波数ビン絡み合った光源を生成する。
  論文  参考訳（メタデータ） (2022-01-18T19:00:29Z)
• Unsupervised Image Denoising with Frequency Domain Knowledge [2.834895018689047]
  教師付き学習ベースの手法は頑健な復調結果をもたらすが、大規模データセットの必要性により本質的に制限されている。 本研究では,周波数に敏感な非教師付き復調法を提案する。 自然および合成データセットを用いた結果から, 周波数情報で拡張した教師なし学習手法が, 最先端の遮音性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T07:41:32Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• Encoding Frequency Constraints in Preventive Unit Commitment Using Deep Learning with Region-of-Interest Active Sampling [8.776029771500689]
  本稿では,周波数制約単位コミットメント(FCUC)のための汎用データ駆動型フレームワークを提案する。 深層ニューラルネットワーク(dnn)を訓練し、実データや高忠実度シミュレーションデータを用いて周波数応答を予測する。 データ生成フェーズでは、すべての可能な電力注入を考慮し、uflcしきい値に近い周波数nadirの電力注入サンプルを含む領域間アクティブサンプリングを提案する。
  論文  参考訳（メタデータ） (2021-02-18T19:04:21Z)
• Focal Frequency Loss for Image Reconstruction and Synthesis [125.7135706352493]
  周波数領域の狭さが画像再構成と合成品質をさらに改善できることを示す。 本稿では,合成が難しい周波数成分に適応的に焦点を合わせることのできる,新しい焦点周波数損失を提案する。
  論文  参考訳（メタデータ） (2020-12-23T17:32:04Z)
• Spatial Frequency Bias in Convolutional Generative Adversarial Networks [14.564246294896396]
  畳み込みGANが分布を学習する能力は、下層のキャリア信号の空間周波数に大きく影響していることを示す。 このバイアスは、単に自然画像における高頻度の欠如の結果であるだけでなく、データセットの優位性に関わらず、高頻度の学習を妨げる体系的バイアスであることを示す。
  論文  参考訳（メタデータ） (2020-10-04T03:05:29Z)

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。