テキストから画像を生成するGANまとめ - akmtn記録
この記事は，テキストから画像を生成するGANについて横断的にまとめることを目指しました． "text-to-image"と呼ばれるタスクであり，テキスト（キャプション）を条件として，そのテキストにあう画像を生成することを目指します． 有名な研究では，StackGANがあります． 以下目次です． References なぜテキストから画像を生成するのか？ どういう生成モデルが優れているのか？ このタスクを困難にしている要因は？ 自然画像の高次元空間 テキスト空間と画像空間の違い データの用意 text-to-image synthesisの研究の流れは？ どういう画像を生成するか？ 使われているデータセットは？ 生成できる解像度は？ ネットワーク構造はどうなっているか？ Loss関数やDiscriminatorに工夫はあるか？ 雑感 おわりに References [1] GAN-INT-C
Learning Image to Image Translation with Generative Adversarial Networks - ISE Developer Blog
For this project, we’ve focused on the application of GANs in image-related tasks, but it is worth mentioning that they are not limited to them (for example, this text application of GANs). The core idea behind a Generative Adversarial Network is to create two models and have them compete against each other in order to improve them both through competition. The first model can be considered a disc
Image-to-Image Translation in Tensorflow - Affine Layer
I thought that the results from pix2pix by Isola et al. looked pretty cool and wanted to implement an adversarial net, so I ported the Torch code to Tensorflow. The single-file implementation is available as pix2pix-tensorflow on github. Here are some examples of what this thing does, from the original paper: "The Sorcerer's Stone, a rock with enormous powers, such as: lead into gold, horses into
An introduction to Generative Adversarial Networks (with code in TensorFlow)
There has been a large resurgence of interest in generative models recently (see this blog post by OpenAI for example). These are models that can learn to create data that is similar to data that we give them. The intuition behind this is that if we can get a model to write high-quality news articles for example, then it must have also learned a lot about news articles in general. Or in other word
Generative Adversarial Networks (GANs) in 50 lines of code (PyTorch)
In 2014, Ian Goodfellow and his colleagues at the University of Montreal published a stunning paper introducing the world to GANs, or generative adversarial networks. Through an innovative combination of computational graphs and game theory they showed that, given enough modeling power, two models fighting against each other would be able to co-train through plain old backpropagation. The models p
Image Completion with Deep Learning in TensorFlow
August 9, 2016 Introduction Content-aware fill is a powerful tool designers and photographers use to fill in unwanted or missing parts of images. Image completion and inpainting are closely related technologies used to fill in missing or corrupted parts of images. There are many ways to do content-aware fill, image completion, and inpainting. In this blog post, I present Raymond Yeh and Chen Chen
Generative Adversarial Nets in TensorFlow (Part I)
This post was first published on 12/29/15, and has since been migrated to Blogger. This is a tutorial on implementing Ian Goodfellow's Generative Adversarial Nets paper in TensorFlow. Adversarial Nets are a fun little Deep Learning exercise that can be done in ~80 lines of Python code, and exposes you (the reader) to an active area of deep learning research (as of 2015): Generative Modeling! Code
The GAN Zoo
Pretty painting is always better than a TerminatorEvery week, new papers on Generative Adversarial Networks (GAN) are coming out and it’s hard to keep track of them all, not to mention the incredibly creative ways in which researchers are naming these GANs! You can read more about GANs in this Generative Models post by OpenAI or this overview tutorial in KDNuggets. Explosive growth — All the named
Fantastic GANs and where to find them
This is a series of blog posts. Click here for the second part. Have you ever wanted to know about Generative Adversarial Networks (GANs)? Maybe you just want to catch up on the topic? Or maybe you simply want to see how these networks have been refined over these last years? Well, in these cases, this post might interest you! What this post is not about First things first, this is what you won’t
最近の半教師付き学習(semi-supervised learning)について - 何らかのブログ
（この記事はDeep Learning Advent Calendar 2016 22日目の記事ですが、ほとんどDeep learning関係ありません） 最近分類問題におけるsemi-supervised learningの論文を読んだりとか手法を学んでいて聞いたり思ったりした話をまとめました。 半教師付き学習とは何かについては、 yamaguchiyuto.hatenablog.com上の記事に比較的わかりやすいと思うので、上の記事を読んで思ったことでも書きます。並べながら書いてるので並べながら読んでいって下さい。できればDeep Learning的なのにも触れたい。 Self-training 古典的なsemi-supervised learningの手法だと思います。強くはないが何にでも使えるんじゃないかなあ。 Generative Model データが何らかのパラメトリックなモデ
GANとDCGANの論文を読んだ。 - rkgkpyrk
今週はGenerative Adversarial Networks(以下GAN)とDeep Convolutional GAN(以下DCGAN)を何となく読んだので、その辺の概要をまとめておく。個人的な備忘録の側面が強いので、あまり色んな人が読むことは想定しておらず、ある程度前提知識を要求している気がするし、参考になるかわからないけれど読む人は参考程度に。もとの論文がいつでも一番正確なはず(GAN、DCGAN)。そもそも既に多くの人が解説記事を書いているし、多くの人にとってこの記事はあまり価値を持たないんじゃないかなと思う*1。 GANとDCGANの位置づけ*2 GANの目的は与えられた学習データから生成モデルを推定すること。つまりは訓練データから学習することによって、確率分布に基づく乱数を吐くが如く、それっぽいデータを吐くようなサンプラーをつくることができるということだろう。たとえばパ
Image-to-Image Translation with Conditional Adversarial Networks
Example results on several image-to-image translation problems. In each case we use the same architecture and objective, simply training on different data. We investigate conditional adversarial networks as a general-purpose solution to image-to-image translation problems. These networks not only learn the mapping from input image to output image, but also learn a loss function to train this mappi
Torch | Generating Faces with Torch
November 13, 2015 by Anders Boesen Lindbo Larsen and Søren Kaae Sønderby In this blog post we’ll implement a generative image model that converts random noise into images of faces! Code available on Github. For this task, we employ a Generative Adversarial Network (GAN) [1]. A GAN consists of two components; a generator which converts random noise into images and a discriminator which tries to dis
できるだけ丁寧にGANとDCGANを理解する - 午睡二時四十分
目的 Chainerの扱いに慣れてきたので、ニューラルネットワークを使った画像生成に手を出してみたい いろいろな手法が提案されているが、まずは今年始めに話題になったDCGANを実際に試してみるたい そのために、 DCGANをできるだけ丁寧に理解することがこのエントリの目的 将来GAN / DCGANを触る人の助けになったり、理解間違ってるところにツッコミがあると嬉しい 本エントリの構成 DCGANの前提となっているGANの論文の要点をまとめる DCGANでGANとの差分として提案されている要点をまとめる DCGANのmattyaさんの実装を読み通して詳細を理解する 1. GANについて GANは、サンプル群と似たような性質を持つ出力を生成するためのフレームワーク 2014年にIan J. Goodfellowらによって提案された 論文: Generative Adversarial Net
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
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
CycleGANS and Pix2Pix
GitHub - wiseodd/generative-models: Collection of generative models, e.g. GAN, VAE in Pytorch and Tensorflow.
Generating Videos with Scene Dynamics - MIT
GitHub - zhangqianhui/AdversarialNetsPapers: Awesome paper list with code about generative adversarial nets
GitHub - soumith/ganhacks: starter from "How to Train a GAN?" at NIPS2016
GitHub - mattya/chainer-DCGAN: Chainer implementation of Deep Convolutional Generative Adversarial Network
