Computer Computer

https://arxiv.org/pdf/1711.09020.pdf 0. Abstract 지금까지는 두 도메인 사이의 image-to-image translation이 성공적으로 이루어 졌고, 이미지 도메인의 각각의 pair에는 독립적으로 다른 model이 존재해야 했다. 하지만, StarGAN은 하나의 모델로 다양한 도메인 사이의 image-to-image translation이 가능하게 한다. 이러한 StarGAN의 통합된 모델 구조는 하나의 네트워크에서 다른 도메인인 여러개의 데이터 셋이 동시에 학습하겠끔 해준다. - facial attribute transfer - facial expression synthesis task 1.Introduction 두 개의 다른 도메인으로부터의 학습 데이터로 부터..

1. Introduction deblurring을 image-to-image translation의 특별한 경우로 다룰 것이다. DeblurGAN은 conditional generative adversarial networks와 multi-component loss function을 base로 한 접근 방법이다. 이전의 다른 모델과 달리, DeblurGAN은 gradient penalty와 perceptual loss와 함께 Wasserstein GAN을 사용합니다. 3 contribution we propose a loss and architecture. 5x faster than the fastest competitor. we present a method based on random trajecto..

한 줄 정리 : global average pooling을 사용하여 localization의 정확성을 높임. 0. Abstract 이 논문에서는 global average pooling layer를 다시 한번 살펴보고, image level에 대한 label의 교육을 받았음에도 불구하고 어떻게 cnn이 눈에 띄는 localization능력을 가지게 됬는지 알아볼 것이다. global average pooling layer는 일반적으로 regularizing training을 의미했지만, 우리는 이것이 이미지에 대한 cnn의 attention이 노출된 generic localizable deep representation을 만든다는 것을 알아냈다. global average pooling의 간단한 추가임에..

1. Introduction 포즈 변화에 상관없이 얼굴을 인식(face recognition)하는 것은 중요한 과제이다. 이 논문의 저자는 이에 대한 새로운 framework를 제시하였다. - simultaneously learn pose-invariant identity representation and synthesize faces with arbitrary poses. DRGAN의 generator(G)는 encoder-decoder 구조로 되어 있다. encoder부분인 G(ENC)의 인풋은 다양한 포즈의 얼굴 이미지이고, decoder의 아웃풋은 target pose로 합성된 얼굴 이미지이다. G는 face rotator로서 역할을 하고, D는 실제 이미지와 합성 이미지를 구분하는 것 뿐만아니라..

Abstract -> automatically learned, unsupervised separation of high level attribute (pose and identity when trained on human faces) and stochastic variation in the generated images control of the synthesis. -> intuitive, Scale specific control of the synthesis -> leads to demonstrably better interpolation properies, and also better disentangles the latent factors of variation. -> interpolation qu..

Abstract: HoloGAN => Unsupervised learning of 3D representations from natural images. Our experiments show that using explicit 3D features enables HoloGAN to disentangle 3D pose and identity, which is further decomposed into shape and appearance, while still being able to generate images with similar or higher visual quality than other generative models. pose label, 3D shapes, multiple views of ..

이 포스터는 논문 Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks (링크: https://arxiv.org/abs/1511.06434)를 읽고 정리한 것 입니다. -Introduction GAN은 학습이 불안정하고, generator가 무의미한 아웃풋을 출력해낼 때도 있음. 하지만, DCGan은 ➲ 대부분의 상황에서 언제나 안정적으로 학습이 되는 Conditional GAN구조를 제안. ➲ image classification task를 위해 train된 discriminator를 사용. ➲ GAN에 의해 습득된 필터를 시각화하고, 특정 필터가 특정 물체를 그려내는 것을 실험적으로 보여줌..

-super(Net, self).init()을 쓰는 이유 만약, Net이 Module과 operation을 상속받고, 이 두개의 class는 A를 상속받을 때, super(Net, self).init()을 쓰지 않으면, Module, Operation, A를 init할 수 없다. Parent class를 init하지 않으면, 나중에 문제가 생길 수 있음. self는 Net의 instance 객체이다. 요기서 self를 쓰는 이유는, super(Net, self).init()을 부르면, super(Module, self).init(),super(Operation, self).init()이 호출된다. 이로인해, 이것은 A의 inint()을 두 번 부르게 되는데 이것은 문제를 야기한다. 그래서, (class_..