GANs Conditioning Methods: A Survey

要約

近年、敵対的生成ネットワーク (GAN) は大幅な進歩を遂げており、さまざまな分野で広く採用されています。
オリジナルの GAN アーキテクチャでは、コンテンツを特別に制御することなく画像を生成できるため、無条件の生成プロセスになります。
ただし、実際のアプリケーションの多くは、生成された出力を正確に制御する必要があるため、生成プロセスをガイドする明示的な条件付けを組み込んだ条件付き GAN (cGAN) の開発につながりました。
cGAN は、追加の情報 (条件) を組み込むことで元のフレームワークを拡張し、その特定の基準に準拠したサンプルの生成を可能にします。
さまざまな条件付け方法が提案されており、それぞれ条件付け情報を生成器ネットワークと弁別器ネットワークの両方に統合する方法が異なります。
この研究では、GAN 用に提案されたコンディショニング方法をレビューし、各方法の特徴を調査し、その独自のメカニズムと理論的基盤に焦点を当てます。
さらに、これらの手法の比較分析を行い、さまざまな画像データセットに対するパフォーマンスを評価します。
これらの分析を通じて、さまざまなコンディショニング技術の長所と限界についての洞察を提供し、生成モデリングにおける将来の研究と応用を導くことを目指しています。

要約(オリジナル)

In recent years, Generative Adversarial Networks (GANs) have seen significant advancements, leading to their widespread adoption across various fields. The original GAN architecture enables the generation of images without any specific control over the content, making it an unconditional generation process. However, many practical applications require precise control over the generated output, which has led to the development of conditional GANs (cGANs) that incorporate explicit conditioning to guide the generation process. cGANs extend the original framework by incorporating additional information (conditions), enabling the generation of samples that adhere to that specific criteria. Various conditioning methods have been proposed, each differing in how they integrate the conditioning information into both the generator and the discriminator networks. In this work, we review the conditioning methods proposed for GANs, exploring the characteristics of each method and highlighting their unique mechanisms and theoretical foundations. Furthermore, we conduct a comparative analysis of these methods, evaluating their performance on various image datasets. Through these analyses, we aim to provide insights into the strengths and limitations of various conditioning techniques, guiding future research and application in generative modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google