Generative Adversarial Networks and Other Generative Models

要約

生成ネットワークは、分類、セグメンテーション、またはオブジェクト検出のCNNと比較して、目的と方法が根本的に異なります。
これらは当初、画像分析ツールではなく、自然に見える画像を生成することを目的としていました。
敵対的なトレーニングパラダイムは、生成方法を安定させるために提案されており、最初の試みからではありませんが、非常に成功していることが証明されています。
この章では、Generative Adversarial Networks（GAN）の動機についての基本的な紹介を行い、基本的なタスクと作業メカニズムを抽象化し、初期の実用的なアプローチの難しさを導き出すことによって、成功の道をたどります。
より安定したトレーニングの方法が示され、収束不良の典型的な兆候とその理由も示されます。
この章では、画像生成と画像分析を目的としたGANに焦点を当てていますが、敵対的なトレーニングパラダイム自体は画像に固有のものではなく、画像分析のタスクにも一般化されています。
画像のセマンティックセグメンテーションと異常検出のアーキテクチャの例は、GANを最近シーンに登場する生成モデリングアプローチと対比する前に、高く評価されます。
これにより、制限に関するコンテキスト化されたビューが可能になりますが、GANの利点も可能になります。

要約(オリジナル)

Generative networks are fundamentally different in their aim and methods compared to CNNs for classification, segmentation, or object detection. They have initially not been meant to be an image analysis tool, but to produce naturally looking images. The adversarial training paradigm has been proposed to stabilize generative methods, and has proven to be highly successful — though by no means from the first attempt. This chapter gives a basic introduction into the motivation for Generative Adversarial Networks (GANs) and traces the path of their success by abstracting the basic task and working mechanism, and deriving the difficulty of early practical approaches. Methods for a more stable training will be shown, and also typical signs for poor convergence and their reasons. Though this chapter focuses on GANs that are meant for image generation and image analysis, the adversarial training paradigm itself is not specific to images, and also generalizes to tasks in image analysis. Examples of architectures for image semantic segmentation and abnormality detection will be acclaimed, before contrasting GANs with further generative modeling approaches lately entering the scene. This will allow a contextualized view on the limits but also benefits of GANs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google