PR-125 " ENERGY-BASED GENERATIVE ADVERSARIAL NETWORKS" Review (2017 ICLR)(GAN)

PR-125 " ENERGY-BASED GENERATIVE ADVERSARIAL NETWORKS

" Review (2017 ICLR)(GAN)

1. Citations & Abstract 읽기

Citations : 2022.01.11 기준 1129회

저자

Junbo Zhao, Michael Mathieu and Yann LeCun - Department of Computer Science, New York University, Facebook Artificial Intelligence Research

Abstract

우리는 데이터 매니폴드 근처 지역에 낮은 에너지를 주고 다른 지역에는 높은 에너지를 주는 에너지 함수로써의 discriminator를 바라보는 EBGAN을 소개한다. 확률론적 간과 비슷하게 generator는 최소한의 에너지로 대조 샘플을 생성하도록 훈련되는 반면 discrimiantor는 생성된 샘플들에 높은 에너지를 할당하도록 훈련한다. discriminator를 에너지 함수로 바라보는 것은 logistic 출력을 사용하는 일반적인 이진 분류기뿐 아니라 다양한 아키텍쳐와 손실 함수를 사용하는 것이 가능하게 한다. 그 중에서도, 우리는 에너지가 discriminator 대신 reconstruction error를 포함하는 Auto-Encoder 아키텍처를 사용하여 EBGAN 프레임워크의 인스턴스화를 보여준다. 우리는 EBGAN의 이런 형태가 훈련 중 일반 GAN보다 더 안정적인 동작을 보여준다는 것을 보인다. 우리는 또한 단일 크기 아키텍처가 고해상도 이미지 생성할 수 있도록 훈련되어짐을 보여준다.

contrastive 대조하는

in place of ~을 대신해서

개인 정리

Energy Function을 활용한 Generator와 Discriminator간의 관계성으로 더 안정적인 학습이 가능하게 한 EBGAN을 소개함.

2. 발표 정리

공식 논문 링크

https://openreview.net/pdf?id=ryh9pmcee

https://arxiv.org/abs/1609.03126

Energy-based Generative Adversarial Network

We introduce the "Energy-based Generative Adversarial Network" model (EBGAN) which views the discriminator as an energy function that attributes low energies to the regions near the data manifold and higher energies to other regions. Similar to the probabi

arxiv.org