- …
- …
#702
summarized by : Kyota Masuyama
どんな論文か？
CollaGanでは、画像補完問題をimages2imageのtranslate問題に置き換えて解く。従来研究では、StarGanなどが存在するが、こちらは単一の画像を入力に、目的のドメイン画像へ変換する。しかし、CollaGanでは、複数の画像を入力に、目的のドメイン画像(補完したいドメイン画像)へ変換することで画像補完を行う。
新規性
従来研究では、StarGanではドメインの数に関わらず、単一ジェネレータ/単一のインプット画像で目的ドメイン画像への変換を行なっているが、CollaGanでは単一ジェネレータ/複数のインプット画像で、目的のドメインの画像を生成を行い、精度向上を図っている。
結果
CycleGANよりメモリ効率が良く、単一の画像をインプットとするモデルより、NMSE/SSIMにおいて
より良い結果、State-of-the-artな結果を得ることに成功している。
その他（なぜ通ったか？等）
- …
- …