論文の概要: Double InfoGAN for Contrastive Analysis
- arxiv url: http://arxiv.org/abs/2401.17776v1
- Date: Wed, 31 Jan 2024 12:16:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 14:54:17.805557
- Title: Double InfoGAN for Contrastive Analysis
- Title（参考訳）: コントラスト解析のための二重情報GAN
- Authors: Florence Carton, Robin Louiset, Pietro Gori
- Abstract要約: コントラスト分析(CA)は、共通点と対象領域に特有の点の発見を扱う。
現状技術(SOTA)法は, VAE(CA-VAEs)に基づく潜時変動モデルである
本稿では、GANの高品質な合成とInfoGANの分離能力を活用した、CAのための最初のGANベースの手法であるDouble InfoGANを提案する。
- 参考スコア（独自算出の注目度）: 2.342780148664847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contrastive Analysis (CA) deals with the discovery of what is common and what
is distinctive of a target domain compared to a background one. This is of
great interest in many applications, such as medical imaging. Current
state-of-the-art (SOTA) methods are latent variable models based on VAE
(CA-VAEs). However, they all either ignore important constraints or they don't
enforce fundamental assumptions. This may lead to sub-optimal solutions where
distinctive factors are mistaken for common ones (or viceversa). Furthermore,
the generated images have a rather poor quality, typical of VAEs, decreasing
their interpretability and usefulness. Here, we propose Double InfoGAN, the
first GAN based method for CA that leverages the high-quality synthesis of GAN
and the separation power of InfoGAN. Experimental results on four visual
datasets, from simple synthetic examples to complex medical images, show that
the proposed method outperforms SOTA CA-VAEs in terms of latent separation and
image quality. Datasets and code are available online.
- Abstract（参考訳）: 対比分析(ca)とは、対象領域の共通点と特徴点の発見を背景領域と比較するものである。
これは医療画像など多くの応用において大きな関心を集めている。
現在のSOTA法は、VAE(CA-VAE)に基づく潜在変数モデルである。
しかし、いずれも重要な制約を無視したり、基本的な前提を強制しない。
これは、特異な因子が共通のもの(あるいは逆数)と間違えられるような準最適解につながるかもしれない。
さらに、生成された画像はvaesの典型的品質がかなり悪く、解釈性や有用性が低下する。
本稿では、GANの高品質な合成とInfoGANの分離力を利用するCAのための最初のGANベースの手法であるDouble InfoGANを提案する。
簡易な合成例から複雑な医用画像まで4つの視覚データセットを用いた実験の結果,提案手法が潜伏分離と画質の点でsoma ca-vaesよりも優れていることがわかった。
データセットとコードはオンラインで入手できる。
関連論文リスト
- Additional Look into GAN-based Augmentation for Deep Learning COVID-19
Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。
両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。
GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文 参考訳（メタデータ） (2024-01-26T08:28:13Z) - Adaptive Input-image Normalization for Solving the Mode Collapse Problem in GAN-based X-ray Images [0.08192907805418582]
この研究は、適応入力-画像正規化をDeep Conversaal GANとAuxiliary GANと統合してモード崩壊問題を緩和する利点の実証的な実証に寄与する。
その結果, 適応入出力正規化によるDCGANとACGANは, 非正規化X線画像でDCGANとACGANより優れていた。
論文 参考訳（メタデータ） (2023-09-21T16:43:29Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - An Attentive-based Generative Model for Medical Image Synthesis [18.94900480135376]
注意に基づく二重コントラスト生成モデルであるADC-cycleGANを提案する。
このモデルは、二重コントラスト損失項とCycleGAN損失を統合し、合成された画像がソース領域と区別可能であることを保証する。
実験により,提案したADCサイクルGANモデルが,他の最先端生成モデルに匹敵するサンプルを生成することが示された。
論文 参考訳（メタデータ） (2023-06-02T14:17:37Z) - 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) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - A Contrastive Learning Approach for Training Variational Autoencoder
Priors [137.62674958536712]
変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。
VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。
本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
論文 参考訳（メタデータ） (2020-10-06T17:59:02Z) - InfoMax-GAN: Improved Adversarial Image Generation via Information
Maximization and Contrastive Learning [39.316605441868944]
GAN(Generative Adversarial Networks)は、多くのジェネレーティブモデリングアプリケーションの基本である。
本稿では,GANにおける2つの基本的な問題を同時に緩和する基本的枠組みを提案する。
提案手法は, 5つのデータセットにわたる画像合成において, GANトレーニングを著しく安定化し, GAN性能を向上させる。
論文 参考訳（メタデータ） (2020-07-09T06:56:11Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。