A survey on GANs for computer vision: Recent research, analysis and taxonomy

要約

ここ数年、深層学習の分野でいくつかの革命がありましたが、主に Generative Adversarial Networks (GAN) の大きな影響によって注目されています。
GAN は、モデルを定義する際に独自のアーキテクチャを提供するだけでなく、社会に直接影響を与える驚異的な結果を生み出します。
GAN がもたらした大幅な改善と新しい研究分野により、コミュニティは時代に追いつくことをほとんど不可能にする新しい研究を常に考え出しています。
私たちの調査は、最新のアーキテクチャ、損失関数の最適化、検証指標、および最も広く認識されているバリアントのアプリケーション領域を示す、GAN の一般的な概要を提供することを目的としています。
モデル アーキテクチャのさまざまなバリアントの効率が評価され、最適なアプリケーション領域が示されます。
プロセスの重要な部分として、GAN のパフォーマンスを評価するためのさまざまな指標と、頻繁に使用される損失関数が分析されます。
この調査の最終的な目的は、この分野の将来の研究者を導くために、より良い結果を出している GAN の進化とパフォーマンスの概要を提供することです。

要約(オリジナル)

In the last few years, there have been several revolutions in the field of deep learning, mainly headlined by the large impact of Generative Adversarial Networks (GANs). GANs not only provide an unique architecture when defining their models, but also generate incredible results which have had a direct impact on society. Due to the significant improvements and new areas of research that GANs have brought, the community is constantly coming up with new researches that make it almost impossible to keep up with the times. Our survey aims to provide a general overview of GANs, showing the latest architectures, optimizations of the loss functions, validation metrics and application areas of the most widely recognized variants. The efficiency of the different variants of the model architecture will be evaluated, as well as showing the best application area; as a vital part of the process, the different metrics for evaluating the performance of GANs and the frequently used loss functions will be analyzed. The final objective of this survey is to provide a summary of the evolution and performance of the GANs which are having better results to guide future researchers in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google