Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold
Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold Abstract Synthesizing visual content that meets users' needs often requires flexible and precise controllability of the pose, shape, expression, and layout of the generated objects. Existing approaches gain controllability of generative adversarial networks (GANs) via manually annotated training data or a prior 3D
はじめに GAN（Generative Adversarial Network; 敵対的生成ネットワーク）のモード崩壊は、訓練中のGANがデータセットの多様性全体を捉えることができず、限られた数のサンプルまたは非常に似ているサンプルのみを生成するときに発生する問題を指します。この問題はGANの訓練の難しさとしてよく知られています。 モード崩壊の原因としては次のようなものが考えられています。 敵対的なフィードバックの不均衡： 生成器が特定のサンプルをうまく生成できると、それを繰り返し生成することで識別器を欺くのが簡単になる場合があります。その結果、生成器はデータセットのその他の多様性を学ぶ動機を失うことがあります。 学習率の不均衡： 生成器と識別器の学習率や更新速度が不均衡であると、モード崩壊が発生しやすくなります。 一方、2023年に流行している拡散モデルではモード崩壊するといったことはほ
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
最新GaNチップでUGREEN史上最小となったUSB充電器
拡散モデルがモード崩壊しない理由 - Qiita
AIDB on X: "【GANの10年】今年はGANが誕生して10年目です。以下は、歴史的研究の抜粋です。 ○ Tanujit Chakraborty et al. Ten Years of Generative Adversarial Nets (GANs): A survey of the state-of-the-art ■2014年 GANが初めて誕生する ■2015年 高品質な画像を生成できるようになる（DCGAN）… https://t.co/7KbJWjR2Uz"