We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
画像変換。GANに基づいた手法だが、real/fakeの識別誤差だけでなくperceptual lossを用いることでより鮮やかな画風変換ができるようになった。
データセットはxとyのペア。yがground truth(gt)でxがTの入力になる。 GANのreal / fakeの誤差だけでは予測とgtのズレを潰し切るのが困難で、画像のぼやけた感じの原因になるとし、perceptual lossを導入。ImageNetなどで学習したCNNの中間層の出力はデータの高次元の特徴であると考えられ、T(x)とy(= gt)それぞれに対してDiscriminatorの中間層出力のズレが小さければ よりgtに近いものになる。またDiscriminatorはT(x)とgtの中間層のズレが十分小さければ、まだ埋められていないギャップを見つけようと更新される。
CNNの第i層の出力をD^i(・)とすると、Perceptural lossは D^i(T(x)) - D^i(y)のノルムで表される。L1やL2が選択されることが多いが、この論文ではL1を用いている。
- perceptual: lambdaは重み、mは定数 -
The text was updated successfully, but these errors were encountered:
No branches or pull requests
一言でいうと
画像変換。GANに基づいた手法だが、real/fakeの識別誤差だけでなくperceptual lossを用いることでより鮮やかな画風変換ができるようになった。
論文リンク
著者/所属機関
概要
データセットはxとyのペア。yがground truth(gt)でxがTの入力になる。
GANのreal / fakeの誤差だけでは予測とgtのズレを潰し切るのが困難で、画像のぼやけた感じの原因になるとし、perceptual lossを導入。ImageNetなどで学習したCNNの中間層の出力はデータの高次元の特徴であると考えられ、T(x)とy(= gt)それぞれに対してDiscriminatorの中間層出力のズレが小さければ
よりgtに近いものになる。またDiscriminatorはT(x)とgtの中間層のズレが十分小さければ、まだ埋められていないギャップを見つけようと更新される。
CNNの第i層の出力をD^i(・)とすると、Perceptural lossは
D^i(T(x)) - D^i(y)のノルムで表される。L1やL2が選択されることが多いが、この論文ではL1を用いている。
新規性・差分
手法
全体
- perceptual: lambdaは重み、mは定数
-
結果
コメント
The text was updated successfully, but these errors were encountered: