論文の概要: A Chronological Survey of Theoretical Advancements in Generative
Adversarial Networks for Computer Vision
- arxiv url: http://arxiv.org/abs/2311.00995v1
- Date: Thu, 2 Nov 2023 05:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 14:54:17.540550
- Title: A Chronological Survey of Theoretical Advancements in Generative
Adversarial Networks for Computer Vision
- Title（参考訳）: コンピュータビジョンのための生成型adversarial networkの理論的進歩に関する年次調査
- Authors: Hrishikesh Sharma
- Abstract要約: GAN(Generative Adversarial Networks)は、特にコンピュータビジョンの研究分野において、長年にわたりワークホース生成モデルである。
GANに関する多くの調査があり、様々な視点と視点から膨大なGAN文献を整理している。
この調査は、このギャップを埋め、GANの理論と応用に関するいくつかの画期的な研究成果を時系列順に示す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://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GANs) have been workhorse generative models
for last many years, especially in the research field of computer vision.
Accordingly, there have been many significant advancements in the theory and
application of GAN models, which are notoriously hard to train, but produce
good results if trained well. There have been many a surveys on GANs,
organizing the vast GAN literature from various focus and perspectives.
However, none of the surveys brings out the important chronological aspect: how
the multiple challenges of employing GAN models were solved one-by-one over
time, across multiple landmark research works. This survey intends to bridge
that gap and present some of the landmark research works on the theory and
application of GANs, in chronological order.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)は、特にコンピュータビジョンの研究分野において、長年にわたりワークホース生成モデルである。
したがって、GANモデルの理論と応用には多くの大きな進歩があったが、訓練が難しいことで悪名高いが、うまく訓練すれば良い結果が得られる。
GANに関する多くの調査があり、様々な視点と視点から膨大なGAN文献を整理している。
しかし、どの調査でも重要な時系列的側面は示されていない。複数の目覚ましい研究成果に対して、GANモデルを採用する上での複数の課題が、時間とともに1つずつ解決されたか。
この調査は、このギャップを橋渡し、gansの理論と応用に関する画期的な研究成果を時系列的に提示することを目的としている。
関連論文リスト
- Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。
ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
論文 参考訳（メタデータ） (2024-09-16T03:05:11Z) - A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。
我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。
本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
論文 参考訳（メタデータ） (2024-04-29T17:19:40Z) - On the Resurgence of Recurrent Models for Long Sequences -- Survey and
Research Opportunities in the Transformer Era [59.279784235147254]
この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。
長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
論文 参考訳（メタデータ） (2024-02-12T23:55:55Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳（メタデータ） (2023-10-16T09:06:00Z) - A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。
グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。
この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文 参考訳（メタデータ） (2023-07-07T08:05:03Z) - Generative Adversarial Networks for Malware Detection: a Survey [2.179313476241343]
本稿では,マルウェア問題領域におけるジェネレーティブ・アドバイサル・ネットワークの利用に関する現在の研究と文献について調査する。
本報告では, 関連調査, GAN のカテゴリ別, トピック別に GAN を最適化する最近の研究成果について紹介する。
論文 参考訳（メタデータ） (2023-02-16T20:07:19Z) - A survey on GANs for computer vision: Recent research, analysis and
taxonomy [0.0]
Surveyは、GANの概要を提供し、最新のアーキテクチャ、損失関数の最適化、検証メトリクス、アプリケーション領域を示すことを目的としている。
モデルアーキテクチャの異なるバリエーションの効率性を評価するとともに、最適なアプリケーション領域を示す。
本調査の最終目的は,今後の研究者を導く上で,より優れた結果が得られるGANの進化と性能の要約を提供することである。
論文 参考訳（メタデータ） (2022-03-21T18:06:03Z) - Generative adversarial networks in time series: A survey and taxonomy [7.885673762715387]
GAN(Generative Adversarial Network)の研究は、ここ数年で指数関数的に増加している。
GANアプリケーションは時系列やシーケンス生成といった分野にまたがって多様化してきた。
GANの比較的新しいニッチとして、フィールドワークは高品質で多様性があり、プライベートな時系列データの開発を続けている。
論文 参考訳（メタデータ） (2021-07-23T09:38:51Z) - Generative Adversarial Networks for Spatio-temporal Data: A Survey [8.575750904153201]
GANベースの技術は、軌跡予測、イベント生成、時間的データ計算などのポイントベースのアプリケーションに有望であることが示されている。
我々は、時間的データのためのGANの最近の展開を包括的にレビューした。
論文 参考訳（メタデータ） (2020-08-18T11:05:40Z) - 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) - 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。