- …
- …
#233
summarized by : Takayuki Semitsu
どんな論文か？
CNNの活性化マップの統計的な近さについての損失であるTexutual Lossを提案する。テクスチャとして似ているが、空間的な配置の異なる分布を求めることができる。Style Transferなどにも使われるグラム行列を使った損失関数は近似手法として使えるが、最適ではない。Sliced Wasserstein距離はTextual Lossの最適化にまさしく使える指標。
新規性
活性化マップについて、各ピクセルを1サンプルとした分布で捉え、2分布を一致させるTextual Lossについて、最適輸送問題と捉えSliced Wasserstein距離を適用するのははじめて。
結果
Texture SynthesisやStyle Transferなどのアプリケーションの実例を上げて効果を紹介。
その他（なぜ通ったか？等）
https://github.com/tchambon/A-Sliced-Wasserstein-Loss-for-Neural-Texture-Synthesis
Style Transferの例で、物体(e.g. 犬)の形状を保ちつつ、従来手法よりもテクスチャがより自然に保存されている例が興味深い
- …
- …