論文の概要: MCGAN: Enhancing GAN Training with Regression-Based Generator Loss

• arxiv url: http://arxiv.org/abs/2405.17191v2
• Date: Sat, 21 Dec 2024 07:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:51:27.909511
• Title: MCGAN: Enhancing GAN Training with Regression-Based Generator Loss
• Title（参考訳）: MCGAN: 回帰型発電機損失によるGANトレーニングの強化
• Authors: Baoren Xiao, Hao Ni, Weixin Yang,
• Abstract要約: 高忠実度データを生成する強力なツールとして,GAN(Generative Adversarial Network)が登場している。 既存のアプローチの主なボトルネックは、ジェネレータトレーニングの監督の欠如である。 我々はモンテカルロガン(MCGAN)と呼ばれるアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 5.7645234295847345
• License:
• Abstract: Generative adversarial networks (GANs) have emerged as a powerful tool for generating high-fidelity data. However, the main bottleneck of existing approaches is the lack of supervision on the generator training, which often results in undamped oscillation and unsatisfactory performance. To address this issue, we propose an algorithm called Monte Carlo GAN (MCGAN). This approach, utilizing an innovative generative loss function, termly the regression loss, reformulates the generator training as a regression task and enables the generator training by minimizing the mean squared error between the discriminator's output of real data and the expected discriminator of fake data. We demonstrate the desirable analytic properties of the regression loss, including discriminability and optimality, and show that our method requires a weaker condition on the discriminator for effective generator training. These properties justify the strength of this approach to improve the training stability while retaining the optimality of GAN by leveraging strong supervision of the regression loss. Extensive experiments on diverse datasets, including image data (CIFAR-10/100, FFHQ256, ImageNet, and LSUN Bedroom), time series data (VAR and stock data) and video data, are conducted to demonstrate the flexibility and effectiveness of our proposed MCGAN. Numerical results show that the proposed MCGAN is versatile in enhancing a variety of backbone GAN models and achieves consistent and significant improvement in terms of quality, accuracy, training stability, and learned latent space.
• Abstract（参考訳）: 高忠実度データを生成する強力なツールとして,GAN(Generative Adversarial Network)が登場している。 しかし、既存のアプローチの主なボトルネックは、ジェネレータトレーニングの監督の欠如である。 この問題に対処するため,モンテカルロガン (MCGAN) と呼ばれるアルゴリズムを提案する。 この手法は、革新的生成損失関数、すなわち回帰損失を利用して、回帰タスクとしてジェネレータ訓練を再構成し、実データの判別器の出力と偽データの予測判別器との間の平均2乗誤差を最小化することにより、ジェネレータ訓練を可能にする。 判別可能性や最適性を含む回帰損失の望ましい解析特性を実証し,本手法が有効発電機訓練のための判別器に弱い条件を必要とすることを示す。 これらの特性は、回帰損失の強い監督を生かして、GANの最適性を保ちながら、トレーニング安定性を向上させるためのこのアプローチの強みを正当化する。 画像データ (CIFAR-10/100, FFHQ256, ImageNet, LSUN Bedroom) や時系列データ (VAR, ストックデータ) , ビデオデータなど, 多様なデータセットに関する広範な実験を行い, 提案したMCGANの柔軟性と有効性を示す。 数値計算により,提案したMCGANは,様々なバックボーンGANモデルの拡張に汎用性があり,品質,精度,トレーニング安定性,学習潜時空間の整合性および顕著な改善を実現していることがわかった。

関連論文リスト

• Parallelly Tempered Generative Adversarial Networks [7.94957965474334]
  生成的敵対ネットワーク(GAN)は、生成的人工知能(AI)における代表的バックボーンモデルである。 本研究は,モード崩壊の存在下でのトレーニングの不安定性と非効率性を,対象分布におけるマルチモーダルにリンクすることで解析する。 新たに開発したGAN目標関数により, 生成元は同時に全ての誘電分布を学習することができる。
  論文  参考訳（メタデータ） (2024-11-18T18:01:13Z)
• Damage GAN: A Generative Model for Imbalanced Data [1.027461951217988]
  本研究では、不均衡データセットの文脈におけるGAN(Generative Adversarial Networks)の適用について検討する。 本稿では,GANとコントラスト学習をシームレスに統合するContraD GANフレームワークを基盤として,損傷GANと呼ばれる新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-12-08T06:36:33Z)
• DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
  本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。 それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。 我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-11-30T12:37:53Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• An Empirical Study on GANs with Margin Cosine Loss and Relativistic Discriminator [4.899818550820575]
  我々は新しい損失関数、すなわち相対論的Margin Cosine Loss(RMCosGAN)を導入する。 本稿では,RCCosGANの性能と既存の損失関数を比較する。 実験の結果,RCCosGANは既存の画像よりも優れており,画像の品質が著しく向上していることがわかった。
  論文  参考訳（メタデータ） (2021-10-21T17:25:47Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)
• Improving GAN Training with Probability Ratio Clipping and Sample Reweighting [145.5106274085799]
  GAN(Generative Adversarial Network)は、不安定なトレーニングにより性能が低下することが多い。 本稿では,より優れたトレーニング安定性を享受する新しい変分GANトレーニングフレームワークを提案する。 多様な最先端のGANアーキテクチャにトレーニングアプローチを組み込むことで、幅広いタスクに対して大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2020-06-12T01:39:48Z)

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。