- …
- …
#245
summarized by : Haruhi Shida
どんな論文か？
本論文では，unconditionalな画像生成における高密度super visionの有効性を検討し，生成器特徴マップが，低コストな意味ラベルマップの代替となり得ることを見出した．また，この結果を元に識別器がより豊かな意味表現を学習できるように，人間が行うグランドトゥルースのsemaintc anotationの代わりに，生成器の特徴マップを活用する新しい正則化手法 GGDR を提案した．
新規性
近年のパターン認識によるconditionalな画像生成は，セグメンテーションラベルマップのような密な教師を用いることで、高い再現度を実現することができる．しかしunconditionalに画像を生成する際に密な教師を用いることはほとんど検討されていなかった．本研究では，十分に検討されていなかったunconditionalな画像生成での密な教師の有効性を示し，結果を元にGGDRを新たに提案した．
結果
複数のデータセットに対する広範な実験により，GGDRはベースライン手法の性能を一貫して向上させることが示された．具体的には「Semantic label mapのような密な教師を用いると無条件で性能が向上する」「生成器特徴マップを利用することで，識別機の表現を改善できる」ということがわかった．また本手法はパラメータを3.7％増加させるだけで，どのような環境にも容易に適用することが可能である．
その他（なぜ通ったか？等）
github: https: //github.com/naver-ai/GGDR
- …
- …