論文ダウンロードアドレス：https : //arxiv.org/pdf/1610.09585.pdf
1.記事は主にどのような問題を解決しますか？
この記事では、Generative Adversarial Network（GAN）を改善することにより、画像合成の新しい方法を紹介します。ラベル調整を使用するGANのバリアントが構築され、全体的な一貫性を示す128×128解像度の画像サンプルが生成されます。以前の画質評価作業は、クラス条件付き画像合成モデルからのサンプルの解像度と多様性を評価する2つの新しい分析方法を提供するように拡張されています。これらの分析は、高解像度のサンプルが低解像度のサンプルには存在しないカテゴリ情報を提供することを示しています。1000のImageNetクラスの中で、解決可能な128×128サンプルの解像度は、手動で調整された32×32サンプルの解像度の2倍以上です。さらに、カテゴリのサンプルの84.7％は、実際のImageNetデータと同じくらい多様です。
ラベルを使用してデータセットを生成敵対的ネットワークGANに適用すると、既存の生成モデルを拡張し、2つの最適化のアイデアを形成できます。
1. cGANは補助ラベル情報を使用して元のGANを拡張し、ラベルデータを使用してジェネレーターとディスクリミネーターの両方をトレーニングするため、モデルは特定の条件データを生成できます。
cGAN：条件付き生成敵対ネット
記事のリンク：https : //arxiv.org/pdf/1411.1784.pdf
