論文の概要: Ten Years of Generative Adversarial Nets (GANs): A survey of the
state-of-the-art
- arxiv url: http://arxiv.org/abs/2308.16316v1
- Date: Wed, 30 Aug 2023 20:46:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 18:29:28.788990
- Title: Ten Years of Generative Adversarial Nets (GANs): A survey of the
state-of-the-art
- Title(参考訳): GAN(Generative Adversarial Nets)の10年 : 現状調査
- Authors: Tanujit Chakraborty, Ujjwal Reddy K S, Shraddha M. Naik, Madhurima
Panja, Bayapureddy Manvitha
- Abstract要約: Generative Adversarial Networks (GAN) は、様々な領域にまたがる現実的で多様なデータを生成する強力なツールとして急速に登場した。
2018年2月、GANは「Top Ten Global Breakthrough Technologies List」でトップ10を獲得した。
この調査は、最も広く認識されているバリエーションの潜在アーキテクチャ、バリデーションメトリクス、およびアプリケーション領域を要約した、GANの一般的な概要を提供することを目的としている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since their inception in 2014, Generative Adversarial Networks (GANs) have
rapidly emerged as powerful tools for generating realistic and diverse data
across various domains, including computer vision and other applied areas.
Consisting of a discriminative network and a generative network engaged in a
Minimax game, GANs have revolutionized the field of generative modeling. In
February 2018, GAN secured the leading spot on the ``Top Ten Global
Breakthrough Technologies List'' issued by the Massachusetts Science and
Technology Review. Over the years, numerous advancements have been proposed,
leading to a rich array of GAN variants, such as conditional GAN, Wasserstein
GAN, CycleGAN, and StyleGAN, among many others. This survey aims to provide a
general overview of GANs, summarizing the latent architecture, validation
metrics, and application areas of the most widely recognized variants. We also
delve into recent theoretical developments, exploring the profound connection
between the adversarial principle underlying GAN and Jensen-Shannon divergence,
while discussing the optimality characteristics of the GAN framework. The
efficiency of GAN variants and their model architectures will be evaluated
along with training obstacles as well as training solutions. In addition, a
detailed discussion will be provided, examining the integration of GANs with
newly developed deep learning frameworks such as Transformers, Physics-Informed
Neural Networks, Large Language models, and Diffusion models. Finally, we
reveal several issues as well as future research outlines in this field.
- Abstract(参考訳): 2014年の創業以来、GAN(Generative Adversarial Networks)は、コンピュータビジョンやその他の適用領域を含む様々な領域にわたる現実的で多様なデータを生成する強力なツールとして急速に発展してきた。
差別的ネットワークとミニマックスゲームに携わる生成ネットワークから構成されるGANは、生成モデリングの分野に革命をもたらした。
2018年2月、ganはマサチューセッツ・サイエンス・アンド・テクノロジー・レビューが発行した'top ten global breakthrough technologies list'で首位を獲得した。
長年にわたり多くの進歩が提案され、条件付きGAN、Wasserstein GAN、CycleGAN、StyleGANなど多くのGANの派生型が提案されている。
この調査は、最も広く認識されているバリエーションの潜在アーキテクチャ、バリデーションメトリクス、およびアプリケーション領域を要約した、GANの一般的な概要を提供することを目的としている。
我々はまた、GANフレームワークの最適性特性を議論しながら、GANの根底にある敵原理とJensen-Shannon分散の深い関係を探求し、最近の理論的発展を探求する。
GAN変種とそのモデルアーキテクチャの効率性は、トレーニングの障害とトレーニングソリューションとともに評価される。
さらに、gansとトランスフォーマー、物理に変形したニューラルネットワーク、大規模言語モデル、拡散モデルといった新しいディープラーニングフレームワークの統合について、詳細な議論が行われる予定である。
最後に,いくつかの課題と今後の研究の概要を明らかにする。
関連論文リスト
- 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) - U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation [48.40120035775506]
Kolmogorov-Arnold Networks (KAN)は、非線形学習可能なアクティベーション関数のスタックを通じてニューラルネットワーク学習を再構築する。
トークン化中間表現であるU-KAN上に専用kan層を統合することにより,確立したU-Netパイプラインを検証,修正,再設計する。
さらに、拡散モデルにおける代替U-Netノイズ予測器としてのU-KANの可能性を探り、タスク指向モデルアーキテクチャの生成にその適用性を実証した。
論文 参考訳(メタデータ) (2024-06-05T04:13:03Z) - Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。
近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。
本稿では,異なる視点からGANの比較研究を行う。
論文 参考訳(メタデータ) (2022-04-28T16:35:04Z) - Generative Adversarial Networks (GANs) in Networking: A Comprehensive
Survey & Evaluation [5.196831100533835]
GAN(Generative Adversarial Networks)は、広く研究された機械学習サブフィールドである。
GANは一般的に合成画像の生成や変換に用いられる。
本稿では、この機械学習の分岐が、コンピュータと通信ネットワークの複数の側面にどのように役立つかを実証する。
論文 参考訳(メタデータ) (2021-05-10T08:28:36Z) - MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to
Limited Data Domains [77.46963293257912]
本稿では,特定の対象領域に最も有益である知識をマイニングした生成モデルのための新しい知識伝達手法を提案する。
これは、各事前訓練されたGANの生成分布のどの部分が対象領域に最も近いサンプルを出力しているかを識別するマイカネットワークを用いて行われる。
提案手法はMineGANと呼ばれ,ターゲット画像が少ない領域に効果的に知識を伝達し,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-28T13:10:56Z) - Generative Adversarial Network: Some Analytical Perspectives [4.933916728941277]
generative adversarial networks (gans) は多くの注目を集めている。
GANモデルの様々なバリエーションが開発され、実際に異なる用途に適合している。
GANの性能と訓練に関する問題は, 様々な理論的観点から注目され, 検討されている。
論文 参考訳(メタデータ) (2021-04-25T17:12:32Z) - Polynomial Networks in Deep Classifiers [55.90321402256631]
我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。
私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。
提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
論文 参考訳(メタデータ) (2021-04-16T06:41:20Z) - Generative Adversarial Networks (GANs): An Overview of Theoretical
Model, Evaluation Metrics, and Recent Developments [9.023847175654602]
GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。
GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。
GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
論文 参考訳(メタデータ) (2020-05-27T05:56:53Z) - 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) - A Review on Generative Adversarial Networks: Algorithms, Theory, and
Applications [154.4832792036163]
GAN(Generative Adversarial Network)は近年ホットな研究トピックである。
GANは2014年から広く研究され、多くのアルゴリズムが提案されている。
本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
論文 参考訳(メタデータ) (2020-01-20T01:52:05Z)
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。