論文の概要: Generative Adversarial Networks with Limited Data: A Survey and Benchmarking

• arxiv url: http://arxiv.org/abs/2504.05456v1
• Date: Mon, 07 Apr 2025 19:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:30:08.243122
• Title: Generative Adversarial Networks with Limited Data: A Survey and Benchmarking
• Title（参考訳）: 限られたデータを持つジェネレーティブ・アドバイサル・ネットワーク:サーベイとベンチマーク
• Authors: Omar De Mitri, Ruyu Wang, Marco F. Huber,
• Abstract要約: Generative Adversarial Networks (GAN) は、様々な画像合成タスクにおいて印象的な結果を示している。 GANは、他の生成モデルと比較して機能や表現の学習において強力であり、その潜在空間は豊富な意味情報をエンコードする。 本稿では, 限られたデータ問題に対処することに着目し, 様々な視覚タスクにおけるGAN, その変種, 応用の概要を提供する。
• 参考スコア（独自算出の注目度）: 5.210689364246219
• License:
• Abstract: Generative Adversarial Networks (GANs) have shown impressive results in various image synthesis tasks. Vast studies have demonstrated that GANs are more powerful in feature and expression learning compared to other generative models and their latent space encodes rich semantic information. However, the tremendous performance of GANs heavily relies on the access to large-scale training data and deteriorates rapidly when the amount of data is limited. This paper aims to provide an overview of GANs, its variants and applications in various vision tasks, focusing on addressing the limited data issue. We analyze state-of-the-art GANs in limited data regime with designed experiments, along with presenting various methods attempt to tackle this problem from different perspectives. Finally, we further elaborate on remaining challenges and trends for future research.
• Abstract（参考訳）: Generative Adversarial Networks (GAN) は、様々な画像合成タスクにおいて印象的な結果を示している。 バラスト研究は、GANが他の生成モデルと比較して特徴と表現学習において強力であることを示し、その潜在空間は豊かな意味情報を符号化している。 しかし、GANの膨大な性能は、大規模なトレーニングデータへのアクセスに大きく依存しており、データ量を制限すると急速に劣化する。 本稿では, 限られたデータ問題に対処することに着目し, 様々な視覚タスクにおけるGAN, その変種, 応用の概要を提供する。 我々は、設計された実験により、限られたデータ構造における最先端のGANを分析し、異なる視点からこの問題に対処する様々な方法を提案する。 最後に、今後の研究の課題と動向について詳しく述べる。

関連論文リスト

• A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
  コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。 本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。 背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-08-01T07:40:00Z)
• Comprehensive Exploration of Synthetic Data Generation: A Survey [4.485401662312072]
  この研究は、過去10年間で417のSynthetic Data Generationモデルを調査します。 その結果、ニューラルネットワークベースのアプローチが普及し、モデルのパフォーマンスと複雑性が向上したことが明らかになった。 コンピュータビジョンが支配的であり、GANが主要な生成モデルであり、拡散モデル、トランスフォーマー、RNNが競合する。
  論文  参考訳（メタデータ） (2024-01-04T20:23:51Z)
• FakeCLR: Exploring Contrastive Learning for Solving Latent Discontinuity in Data-Efficient GANs [24.18718734850797]
  Data-Efficient GAN(DE-GAN)は、限られたトレーニングデータで生成モデルを学習することを目的としている。 対照的な学習は、DE-GANの合成品質を高める大きな可能性を示している。 偽のサンプルに対してのみ対照的な学習を行うFakeCLRを提案する。
  論文  参考訳（メタデータ） (2022-07-18T14:23:38Z)
• Generative Adversarial Networks for Image Super-Resolution: A Survey [49.567332038602785]
  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)
• A Comprehensive Survey on Data-Efficient GANs in Image Generation [21.03377218098632]
  GAN(Generative Adversarial Networks)は画像合成において顕著な成果を上げている。 限られたトレーニングデータにより、GANのトレーニングプロセスを安定させ、現実的な画像を生成する方法が注目されている。 データ効率のよいGAN(DE-GAN)の課題は主に、(i)訓練と目標配分のミスマッチ、(ii)識別器のオーバーフィッティング、(iii)潜伏とデータ空間の不均衡の3つの側面から生じる。
  論文  参考訳（メタデータ） (2022-04-18T14:14:09Z)
• Regularizing Generative Adversarial Networks under Limited Data [88.57330330305535]
  本研究は、限られたデータ上で堅牢なGANモデルをトレーニングするための正規化手法を提案する。 正規化損失とLeCam-divergenceと呼ばれるf-divergenceの関連性を示す。
  論文  参考訳（メタデータ） (2021-04-07T17:59:06Z)
• Interpreting the Latent Space of Generative Adversarial Networks using Supervised Learning [1.231476564107544]
  本稿では,ganの隠れ空間についてより詳しく知るために,人間の知識をエンコードする。 この教師付き方式により、生成した画像の正確な操作により、有望な結果が得られる。 我々のモデルはタスク固有の問題に向いているが、実装の容易さ、正確性、堅牢性、リッチなプロパティセットの許容性が、多くの現在のアプリケーションの結果を高めることを願っている。
  論文  参考訳（メタデータ） (2021-02-24T09:00:18Z)
• GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators [74.16405337436213]
  我々は、GS-WGAN(Gradient-sanitized Wasserstein Generative Adrial Networks)を提案する。 GS-WGANは、厳格なプライバシー保証を備えた機密データの衛生的な形式での公開を可能にする。 このアプローチは、複数のメトリクスにわたる最先端のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2020-06-15T10:01:01Z)
• On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
  生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。 このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。 我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。 限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
  論文  参考訳（メタデータ） (2020-02-26T21:53:36Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。