Key points are not available for this paper at this time.
이 논문은 조건부 이미지 생성을 위한 생성적 적대 신경망(GAN)을 개선하기 위한 일련의 새로운 접근 방식을 제안하며, 제안된 모델을 "ArtGAN"이라고 명명합니다. ArtGAN의 주요 혁신 중 하나는 손실 함수의 그래디언트가 각 생성된 이미지에 무작위로 할당된 레이블에 대해 범주형 판별기에서 생성기로 역전파된다는 점입니다. 레이블 정보로부터의 피드백을 통해 생성기는 더 효율적으로 학습하고 더 나은 품질의 이미지를 생성할 수 있습니다. 최근의 연구에 영감을 받아, 추가 보완 정보를 위해 범주형 판별기에 오토인코더를 통합했습니다. 마지막으로, 이미지 품질을 개선하기 위한 새로운 전략을 소개합니다. 실험에서는 ablation 연구를 통해 CIFAR-10 및 STL-10에서 ArtGAN을 평가했습니다. 실증 결과는 제안된 모델이 Inception 점수 측면에서 CIFAR-10의 최첨단 결과를 초월한다고 보여주었습니다. 정성적으로 우리는 ArtGAN이 Oxford-102와 CUB-200에서 그럴듯한 이미지를 생성할 수 있으며, 스타일, 아티스트, 장르를 기반으로 현실적인 예술 작품을 그릴 수 있음을 보여줍니다. 소스 코드와 모델은 다음에서 사용할 수 있습니다: https://github.com/cs-chan/ArtGAN.
Tan et al. (수요일) 이 문제를 연구했습니다.
Synapse has enriched 2 closely related papers on similar clinical questions. Consider them for comparative context: