論文の概要: LatentAugment: Data Augmentation via Guided Manipulation of GAN's Latent Space

• arxiv url: http://arxiv.org/abs/2307.11375v1
• Date: Fri, 21 Jul 2023 06:17:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-24 13:32:36.993310
• Title: LatentAugment: Data Augmentation via Guided Manipulation of GAN's Latent Space
• Title（参考訳）: LatentAugment: GANの潜在空間のガイド操作によるデータ拡張
• Authors: Lorenzo Tronchin, Minh H. Vu, Paolo Soda, Tommy L\"ofstedt
• Abstract要約: Geneversarative Adrial Networks (GAN) は、合成サンプルを生成してデータセットに追加情報をアンロックすることができる。 GANは、高品質なサンプルを迅速に生成するが、モードカバレッジが劣り、DAアプリケーションへの採用が制限される。 本稿では,GANの多様性の低いDA戦略であるLatentAugmentを提案する。
• 参考スコア（独自算出の注目度）: 2.2997492209809964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data Augmentation (DA) is a technique to increase the quantity and diversity of the training data, and by that alleviate overfitting and improve generalisation. However, standard DA produces synthetic data for augmentation with limited diversity. Generative Adversarial Networks (GANs) may unlock additional information in a dataset by generating synthetic samples having the appearance of real images. However, these models struggle to simultaneously address three key requirements: fidelity and high-quality samples; diversity and mode coverage; and fast sampling. Indeed, GANs generate high-quality samples rapidly, but have poor mode coverage, limiting their adoption in DA applications. We propose LatentAugment, a DA strategy that overcomes the low diversity of GANs, opening up for use in DA applications. Without external supervision, LatentAugment modifies latent vectors and moves them into latent space regions to maximise the synthetic images' diversity and fidelity. It is also agnostic to the dataset and the downstream task. A wide set of experiments shows that LatentAugment improves the generalisation of a deep model translating from MRI-to-CT beating both standard DA as well GAN-based sampling. Moreover, still in comparison with GAN-based sampling, LatentAugment synthetic samples show superior mode coverage and diversity. Code is available at: https://github.com/ltronchin/LatentAugment.
• Abstract（参考訳）: データ拡張(DA)は、トレーニングデータの量と多様性を高める技術であり、それによって過度に適合し、一般化を改善する。 しかし、標準daは限定された多様性で拡張のための合成データを生成する。 GAN(Generative Adversarial Networks)は、実際の画像の外観を持つ合成サンプルを生成することにより、データセットに追加情報をアンロックすることができる。 しかし、これらのモデルは、忠実度と高品質なサンプル、多様性とモードカバレッジ、高速サンプリングの3つの重要な要件に同時に対処するのに苦労している。 実際、ganは高品質なサンプルを迅速に生成するが、モードカバレッジが悪く、daアプリケーションへの採用が制限される。 本稿では,GANの多様性の低いDA戦略であるLatentAugmentを提案する。 外部の監督なしに、LatentAugmentは潜在ベクトルを修正し、それらを潜在空間領域に移動して合成画像の多様性と忠実度を最大化する。 データセットやダウンストリームタスクにも依存しない。 幅広い実験により、LatentAugmentはMRIからCTへ翻訳するディープモデルの一般化を改善し、標準DAとGANに基づくサンプリングの両方を達成している。 さらに, GAN法と比較すると, LatentAugment 合成試料はモードカバレッジと多様性に優れていた。 コードは、https://github.com/ltronchin/LatentAugment.comで入手できる。

関連論文リスト

• Diverse Rare Sample Generation with Pretrained GANs [24.227852798611025]
  本研究では,GANを事前学習した高解像度画像データセットから多様な希少サンプルを生成する手法を提案する。 提案手法は,多目的フレームワーク内での遅延ベクトルの勾配に基づく最適化と,特徴空間上の密度推定に正規化フローを利用する。 これにより、レア画像の生成が可能となり、レアリティ、多様性、参照画像との類似性の制御可能なパラメータが提供される。
  論文  参考訳（メタデータ） (2024-12-27T09:10:30Z)
• DreamDA: Generative Data Augmentation with Diffusion Models [68.22440150419003]
  本稿では,新しい分類指向フレームワークDreamDAを提案する。 DreamDAは、オリジナルのデータのトレーニングイメージを種として考慮して、オリジナルのデータ分布に準拠する多様なサンプルを生成する。 また、生成したデータのラベルは、対応するシード画像のラベルと一致しない可能性があるため、擬似ラベルを生成するための自己学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-03-19T15:04:35Z)
• Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
  本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。 DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2024-03-11T14:07:53Z)
• Detail Reinforcement Diffusion Model: Augmentation Fine-Grained Visual Categorization in Few-Shot Conditions [11.121652649243119]
  拡散モデルは、データ生成において顕著な多様性のため、データ拡張において広く採用されている。 詳細強化拡散モデル(DRDM)と呼ばれる新しい手法を提案する。 大規模モデルの豊富な知識を微粒化に活用し、識別的意味的組換え(DSR)と空間的知識参照(SKR)の2つの重要な構成要素を含む。
  論文  参考訳（メタデータ） (2023-09-15T01:28:59Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• ReSmooth: Detecting and Utilizing OOD Samples when Training with Data Augmentation [57.38418881020046]
  最近のDA技術は、常に強化トレーニングサンプルの多様性の必要性を満たす。 多様性の高い増分戦略は、通常、アウト・オブ・ディストリビューション(OOD)の増分サンプルを導入する。 ReSmoothは、まず、拡張サンプル中のOODサンプルを検知し、それらを活用するフレームワークである。
  論文  参考訳（メタデータ） (2022-05-25T09:29:27Z)
• VARGAN: Variance Enforcing Network Enhanced GAN [0.6445605125467573]
  我々は、GAN(VARGAN)を強制する分散と呼ばれる新しいGANアーキテクチャを導入する。 VARGANは第3のネットワークを組み込んで、生成されたサンプルに多様性を導入する。 高多様性と低計算複雑性、および高速収束により、VARGANはモード崩壊を緩和する有望なモデルとなる。
  論文  参考訳（メタデータ） (2021-09-05T16:28:21Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。