SlideShare une entreprise Scribd logo
1  sur  47
1	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
NIPS2015 読み会
Deep Generative Image Models using a
Laplacian Pyramid of Adversarial Networks
濱田晃一
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
@hamadakoichi
論文紹介
2016/1/20
2	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
3	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
講師
・TokyoWebmining 主催者
 - 機械学習の実活用コミュニティ。登録人数 1400人超。
 - 6年継続、累積52回開催
濱田晃一 (@hamadakoichi)
・執筆:Mobageを支える技術
Analytics Architect
・博士 : 量子統計場の理論 (理論物理)
・DeNA全サービスを対象とし、大規模機械学習活用したサービス開発
 - 数千万ユーザー、50億アクション/日、テキスト、画像、ソーシャルグラフ
 - 体験設計から、分散学習アルゴリズムの設計・実装まで
・Deep Learning
 - 類似画像算出、画像生成・テキスト生成
4	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-laplacian-pyramid-of-adversarial-networks.pdf
5	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
各周波数帯ごとの Generative Adversarial Network を作り
解像度を上げていく画像生成を実現する
低解像度
画像
高解像度
画像
元画像 生成画像サンプル
Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
6	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
各周波数帯ごとの Generative Adversarial Network を作り
解像度を上げていく画像生成を実現する
学習
生成
7	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
Visual Turing Test : 人が画像を見て、本物か生成画像か評価
40%の生成画像に関して、本物画像と見間違う
Visual Turing Test (CIFAR10)
40%
本物画像と判定された割合
8	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
http://soumith.ch/eyescream/
Project Page
Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
9	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Poster発表 & Deep Learning Symposiumでの Oral発表
Posterでも19時から24時までずっと人だかりができ続けていた
Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
10	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
11	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
12	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Generative Adversarial Network (GAN)
Generative Adversarial Nets(GAN)
Goodfellow+, NIPS2014
13	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Generative Adversarial Network (GAN)
Generator(生成器)と Discriminator(識別器)を戦わせ
生成精度を向上させる
識別器: “本物画像”と “生成器が作った偽画像”を識別する
生成器: 生成画像を識別器に“本物画像”と誤識別させようとする
(Goodfellow+, NIPS2014, Deep Learning Workshop, Presentation)
14	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Generative Adversarial Network (GAN)
Minimax Objective function
Discriminator が
「本物画像」を「本物」と識別
(Goodfellow+, NIPS2014, Deep Learning Workshop, Presentation)
Discriminator が
「生成画像」を「偽物」と識別する
Discriminatorは
正しく識別しようとする
(最大化)
Generatorは Discriminator に誤識別させようとする(最小化)
Generator(生成器)と Discriminator(識別器)を戦わせ
生成精度を向上させる
15	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Generative Adversarial Network (GAN)
SGDで Discriminator k回、Generator 1回と交互に学習
MCMC等のSampling必要なく、Back Propagation で解ける
Discriminatorでの
最大化(k 回)
Generator での
最小化(1回)
16	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
17	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Conditional Generative Adversarial Network (GAN)
Minimax Objective function
Conditional Generative Adversarial Nets(CGAN)
Mirza+, 2014, Gauthier, 2014
18	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
19	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
各周波数帯の画像特徴ごとにGANを学習
周波数帯ごとの画像特徴を生成・合成し、解像度を上げていく
学習
生成
20	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
各周波数帯ごとのGANを生成し
解像度を上げた画像生成をしていく
低解像度
画像
高解像度
画像
元画像 生成画像サンプル
21	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid (Burt & Adelson, 1983)
各周波数帯の画像特徴
downsampling
upsampling
Low pass filtered images
Band-pass filtered images
http://eric-yuan.me/image-pyramids/
22	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
Laplacian Pyramid で各周波数帯ごとに
低周波数画像が与えられたときの Conditional GANを学習
学習 ・Generator と Discriminator は ConvNet
・Generator は低周波数画像から高周波数画像の生成を学習する
Minimax Objective function
23	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
周波数帯ごとの画像特徴を生成・合成し
高解像度の画像を生成していく
生成
24	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
Class Conditional LAPGAN
http://soumith.ch/eyescream/ 
1 hot coding
of class label
25	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
Model Architecture
10万画像
・CIFAR10: 32x32 pixel, 10万画像, 10 Class
・STL10 : 96x96 pixel, 10万画像, 10 Class
26	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Laplacian Pyramid of GAN(LAPGAN)
Model Architecture
1000万画像
・LSUN: 64x64pixelにDownsample, 1000万画像, 10 Class
27	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Experiments
画像生成
低解像度
画像
高解像度
画像
元画像 生成画像サンプル
28	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Experiments
Visual Turing Test : 人に画像を見せ本物か生成画像か評価
40%の生成画像に関して、本物画像と見間違う
Log Likelihood
Visual Turing Test (CIFAR10)
40%
本物画像と判定された割合
29	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Experiments
生成画像のModel比較
CIFAR10
最近傍の
実画像
生成画像
CC-LAPGAN: Class Conditional LAPGAN
30	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Experiments
Class Conditional LAPGAN での各Classの画像生成
31	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Experiments
256x256 pixel 画像を 再帰的に生成
http://soumith.ch/eyescream/ 
32	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
33	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Deep Convolutional GAN (DCGAN)
Unsupervised Representation Learning with Deep Convolutional
Generative Adversarial Networks(Radford+, arXiv:1511.06434)
Convolution/DecomvolutionのGAN
34	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Deep Convolutional GAN (DCGAN)
クリアな画像生成
Unsupervised Representation Learning with Deep Convolutional
Generative Adversarial Networks(Radford+, arXiv:1511.06434)
画像演算
クリアな画像生成・潜在空間での画像演算
35	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Deep Convolutional GAN (DCGAN)
・顔イラスト生成:https://github.com/mattya/chainer-DCGAN
・漢字生成:‪http://genekogan.com/works/a-book-from-the-sky.htmlse characters
・花生成:https://twitter.com/vintermann/status/675599478494208000
DCGAN応用・適用例
顔イラスト 花生成
36	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Variational AutoEncoder GAN (VAEGAN)
Autoencoding beyond pixels using a learned similarity
metric(Larsen+, arXiv:1512.09300)
VAE + GAN
37	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Variational AutoEncoder GAN (VAEGAN)
Autoencoding beyond pixels using a learned similarity
metric(Larsen+, arXiv:1512.09300)
VAEGAN with visual attribute vectors
38	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
39	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Deep Visual Analogy Making
Deep Visual Analogy Making (Reed+)
変換則の学習
40	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Deep Convolutional Inverse Graphics Network
Deep Convolutional Inverse Graphics Network(Kulcarni+)
VAEのConvolution拡張。3Dモデルの連続変換を学習
41	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
42	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Summary: LAPGAN
各周波数帯ごとの Generative Adversarial Network を作り
解像度を上げていく画像生成を実現する
学習
生成
43	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
各周波数帯ごとの Generative Adversarial Network を作り
解像度を上げていく画像生成を実現する
低解像度
画像
高解像度
画像
元画像 生成画像サンプル
Summary: LAPGAN
44	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Summary: LAPGAN
Visual Turing Test : 人が画像を見て、本物か生成画像か評価
40%の生成画像に関して、本物画像と見間違う
Visual Turing Test (CIFAR10)
40%
本物画像と判定された割合
45	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References
46	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
Reference
-Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y.
(2014). Generative adversarial nets. In NIPS 2014.
-Gauthier, J. (2014). Conditional generative adversarial nets for convolutional face generation. Class
Project for Stanford CS231N: Convolutional Neural Networks for Visual Recognition, Winter semester 2014.
-Mirza, M. and Osindero, S.(2014). Conditional generative adversarial nets. arXiv preprint, arXiv:1411.1784.
-Denton, E., Chintala, S., Szlam, A., and Fergus, R.(2015) Deep Generative Image Models using a Laplacian
Pyramid of Adversarial Networks. In NIPS 2015.
Conditional GAN
GAN
LAPGAN
Recent GANs
-Larsen, A. B. L., Sønderby, S. K., Winther, O.(2015). Autoencoding beyond pixels using a learned
similarity metric. arXiv preprint, arXiv:1512.09300.
-Radford, A., Metz, L., and Chintala, S.(2015)Unsupervised Representation Learning with Deep Convolutional
Generative Adversarial Networks. arXiv preprint, arXiv:1511.0643.
-Reed, S., Zhang, Y., Zhang, Y., and Lee, H.(2015) Deep Visual Analogy-Making. In NIPS 2015.
-Kulkarni, T. D., Whitney, W., Kohli, P., Tenenbaum, J. B.(2015). Deep Convolutional Inverse Graphics
Network. In NIPS 2015.
Other Generative Image Models in NIPS 2015
47	
Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved.
AGENDA
◆Laplacian Pyramid of GAN(LAPGAN)
◆Recent extended GANs
◆Other Deep Generative Models in NIPS2015
◆Generative Adversarial Network(GAN)
◆Conditional GAN(CGAN)
◆Summary
◆References

Contenu connexe

Tendances

画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
 

Tendances (20)

動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )
 
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
 
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
 
全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!Transformer
 
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
 
ドメイン適応の原理と応用
ドメイン適応の原理と応用ドメイン適応の原理と応用
ドメイン適応の原理と応用
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
 
ELBO型VAEのダメなところ
ELBO型VAEのダメなところELBO型VAEのダメなところ
ELBO型VAEのダメなところ
 
動画認識における代表的なモデル・データセット(メタサーベイ)
動画認識における代表的なモデル・データセット(メタサーベイ)動画認識における代表的なモデル・データセット(メタサーベイ)
動画認識における代表的なモデル・データセット(メタサーベイ)
 
最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情最近のDeep Learning (NLP) 界隈におけるAttention事情
最近のDeep Learning (NLP) 界隈におけるAttention事情
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
 
12. Diffusion Model の数学的基礎.pdf
12. Diffusion Model の数学的基礎.pdf12. Diffusion Model の数学的基礎.pdf
12. Diffusion Model の数学的基礎.pdf
 
Point net
Point netPoint net
Point net
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformer
 
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説
 
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてTransformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
 

En vedette

論文輪読: Deep neural networks are easily fooled: High confidence predictions for...
論文輪読: Deep neural networks are easily fooled: High confidence predictions for...論文輪読: Deep neural networks are easily fooled: High confidence predictions for...
論文輪読: Deep neural networks are easily fooled: High confidence predictions for...
mmisono
 
Metric learning ICML2010 tutorial
Metric learning  ICML2010 tutorialMetric learning  ICML2010 tutorial
Metric learning ICML2010 tutorial
zukun
 
Improving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectorsImproving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectors
Junya Saito
 
Information-Theoretic Metric Learning
Information-Theoretic Metric LearningInformation-Theoretic Metric Learning
Information-Theoretic Metric Learning
Koji Matsuda
 

En vedette (12)

論文輪読: Deep neural networks are easily fooled: High confidence predictions for...
論文輪読: Deep neural networks are easily fooled: High confidence predictions for...論文輪読: Deep neural networks are easily fooled: High confidence predictions for...
論文輪読: Deep neural networks are easily fooled: High confidence predictions for...
 
An Introduction to Metric Learning for Clustering
An Introduction to Metric Learning for ClusteringAn Introduction to Metric Learning for Clustering
An Introduction to Metric Learning for Clustering
 
Metric learning ICML2010 tutorial
Metric learning  ICML2010 tutorialMetric learning  ICML2010 tutorial
Metric learning ICML2010 tutorial
 
Distance Metric Learning
Distance Metric LearningDistance Metric Learning
Distance Metric Learning
 
Improving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectorsImproving neural networks by preventing co adaptation of feature detectors
Improving neural networks by preventing co adaptation of feature detectors
 
Information-Theoretic Metric Learning
Information-Theoretic Metric LearningInformation-Theoretic Metric Learning
Information-Theoretic Metric Learning
 
Adversarial Networks の画像生成に迫る @WBAFLカジュアルトーク#3
Adversarial Networks の画像生成に迫る @WBAFLカジュアルトーク#3Adversarial Networks の画像生成に迫る @WBAFLカジュアルトーク#3
Adversarial Networks の画像生成に迫る @WBAFLカジュアルトーク#3
 
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural NetworksImage net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
 
Deep Residual Learning (ILSVRC2015 winner)
Deep Residual Learning (ILSVRC2015 winner)Deep Residual Learning (ILSVRC2015 winner)
Deep Residual Learning (ILSVRC2015 winner)
 
20150930
2015093020150930
20150930
 
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearningMIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
 
Deep Convolutional Generative Adversarial Networks - Nextremer勉強会資料
Deep Convolutional Generative Adversarial Networks - Nextremer勉強会資料Deep Convolutional Generative Adversarial Networks - Nextremer勉強会資料
Deep Convolutional Generative Adversarial Networks - Nextremer勉強会資料
 

Similaire à Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #nips_yomi

【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation” 【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
yoshitaka373
 
Unity開発で週イチ呑み会を支える技術
Unity開発で週イチ呑み会を支える技術Unity開発で週イチ呑み会を支える技術
Unity開発で週イチ呑み会を支える技術
kazuya noshiro
 

Similaire à Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #nips_yomi (20)

Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
Generative Adversarial Networks (GAN) の学習方法進展・画像生成・教師なし画像変換
 
エフェクト、アニメーション、演出のデータ作るの大変じゃないですか? DeNAではこうしてます。
エフェクト、アニメーション、演出のデータ作るの大変じゃないですか? DeNAではこうしてます。エフェクト、アニメーション、演出のデータ作るの大変じゃないですか? DeNAではこうしてます。
エフェクト、アニメーション、演出のデータ作るの大変じゃないですか? DeNAではこうしてます。
 
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
 
Icml2018読み会_overview&GANs
Icml2018読み会_overview&GANsIcml2018読み会_overview&GANs
Icml2018読み会_overview&GANs
 
QuizNow yapcasia
QuizNow yapcasiaQuizNow yapcasia
QuizNow yapcasia
 
DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発DeNAの大規模データマイニング活用したサービス開発
DeNAの大規模データマイニング活用したサービス開発
 
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
 
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについてタクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
タクシー×AIを支えるKubernetesとAIデータパイプラインの信頼性の取り組みについて
 
FINAL FANTASY
 Record Keeper 演出データについて
FINAL FANTASY
 Record Keeper 演出データについてFINAL FANTASY
 Record Keeper 演出データについて
FINAL FANTASY
 Record Keeper 演出データについて
 
Quiznowを支える技術 #yapcasia
Quiznowを支える技術 #yapcasiaQuiznowを支える技術 #yapcasia
Quiznowを支える技術 #yapcasia
 
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation” 【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
 
Unity開発で週イチ呑み会を支える技術
Unity開発で週イチ呑み会を支える技術Unity開発で週イチ呑み会を支える技術
Unity開発で週イチ呑み会を支える技術
 
NGC でインフラ環境整備の時間短縮!素早く始めるディープラーニング
NGC でインフラ環境整備の時間短縮!素早く始めるディープラーニングNGC でインフラ環境整備の時間短縮!素早く始めるディープラーニング
NGC でインフラ環境整備の時間短縮!素早く始めるディープラーニング
 
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
 
FINAL FANTASY Record Keeperのマスターデータを支える技術
FINAL FANTASY Record Keeperのマスターデータを支える技術FINAL FANTASY Record Keeperのマスターデータを支える技術
FINAL FANTASY Record Keeperのマスターデータを支える技術
 
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたかリクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
リクルートはいかにして、ディープラーニング(深層学習)の導入を成功させたか
 
[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
 
ICCV2019 report
ICCV2019 reportICCV2019 report
ICCV2019 report
 
はじめてのKinect for windows v2
はじめてのKinect for windows v2はじめてのKinect for windows v2
はじめてのKinect for windows v2
 
DeNAtechcon_DeNAのセキュリティの取り組みと、スマートフォンセキュリティ(same-origin policy)
DeNAtechcon_DeNAのセキュリティの取り組みと、スマートフォンセキュリティ(same-origin policy)DeNAtechcon_DeNAのセキュリティの取り組みと、スマートフォンセキュリティ(same-origin policy)
DeNAtechcon_DeNAのセキュリティの取り組みと、スマートフォンセキュリティ(same-origin policy)
 

Plus de Koichi Hamada

Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP
Koichi Hamada
 

Plus de Koichi Hamada (20)

Anime Generation with AI
Anime Generation with AIAnime Generation with AI
Anime Generation with AI
 
Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019Generative Adversarial Networks @ ICML 2019
Generative Adversarial Networks @ ICML 2019
 
AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦AIによるアニメ生成の挑戦
AIによるアニメ生成の挑戦
 
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
Generative Adversarial Networks (GANs) and Disentangled Representations @ N...
 
DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発DeNAのAI活用したサービス開発
DeNAのAI活用したサービス開発
 
対話返答生成における個性の追加反映
対話返答生成における個性の追加反映対話返答生成における個性の追加反映
対話返答生成における個性の追加反映
 
NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics  NIPS 2016 Overview and Deep Learning Topics
NIPS 2016 Overview and Deep Learning Topics
 
DeNAの機械学習・深層学習活用した 体験提供の挑戦
DeNAの機械学習・深層学習活用した体験提供の挑戦DeNAの機械学習・深層学習活用した体験提供の挑戦
DeNAの機械学習・深層学習活用した 体験提供の挑戦
 
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014
 
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点- 『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
『Mobageの大規模データマイニング活用と 意思決定』- #IBIS 2012 -ビジネスと機械学習の接点-
 
複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理複雑ネットワーク上の伝搬法則の数理
複雑ネットワーク上の伝搬法則の数理
 
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望 データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
データマイニングCROSS 2012 Opening Talk - データマイニングの実サービス・ビジネス適用と展望
 
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
 
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #HadoopLarge Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
Large Scale Data Mining of the Mobage Service - #PRMU 2011 #Mahout #Hadoop
 
"Mahout Recommendation" - #TokyoWebmining 14th
"Mahout Recommendation" -  #TokyoWebmining 14th"Mahout Recommendation" -  #TokyoWebmining 14th
"Mahout Recommendation" - #TokyoWebmining 14th
 
Mahout JP - #TokyoWebmining 11th #MahoutJP
Mahout JP -  #TokyoWebmining 11th #MahoutJP Mahout JP -  #TokyoWebmining 11th #MahoutJP
Mahout JP - #TokyoWebmining 11th #MahoutJP
 
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
10回開催記念 「データマイニング+WEB ~データマイニング・機械学習活用による継続進化~」ー第10回データマイニング+WEB勉強会@東京ー #Toky...
 
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011 『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
『モバゲーの大規模データマイニング基盤におけるHadoop活用』-Hadoop Conference Japan 2011- #hcj2011
 
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR  #11
「R言語による Random Forest 徹底入門 -集団学習による分類・予測-」 - #TokyoR #11
 
Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9Mahout Canopy Clustering - #TokyoWebmining 9
Mahout Canopy Clustering - #TokyoWebmining 9
 

Laplacian Pyramid of Generative Adversarial Networks (LAPGAN) - NIPS2015読み会 #nips_yomi

  • 1. 1 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. NIPS2015 読み会 Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks 濱田晃一 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. @hamadakoichi 論文紹介 2016/1/20
  • 2. 2 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 3. 3 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. 講師 ・TokyoWebmining 主催者  - 機械学習の実活用コミュニティ。登録人数 1400人超。  - 6年継続、累積52回開催 濱田晃一 (@hamadakoichi) ・執筆:Mobageを支える技術 Analytics Architect ・博士 : 量子統計場の理論 (理論物理) ・DeNA全サービスを対象とし、大規模機械学習活用したサービス開発  - 数千万ユーザー、50億アクション/日、テキスト、画像、ソーシャルグラフ  - 体験設計から、分散学習アルゴリズムの設計・実装まで ・Deep Learning  - 類似画像算出、画像生成・テキスト生成
  • 4. 4 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-laplacian-pyramid-of-adversarial-networks.pdf
  • 5. 5 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. 各周波数帯ごとの Generative Adversarial Network を作り 解像度を上げていく画像生成を実現する 低解像度 画像 高解像度 画像 元画像 生成画像サンプル Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
  • 6. 6 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of Generative Adversarial Networks(LAPGAN) 各周波数帯ごとの Generative Adversarial Network を作り 解像度を上げていく画像生成を実現する 学習 生成
  • 7. 7 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of Generative Adversarial Networks(LAPGAN) Visual Turing Test : 人が画像を見て、本物か生成画像か評価 40%の生成画像に関して、本物画像と見間違う Visual Turing Test (CIFAR10) 40% 本物画像と判定された割合
  • 8. 8 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. http://soumith.ch/eyescream/ Project Page Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
  • 9. 9 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Poster発表 & Deep Learning Symposiumでの Oral発表 Posterでも19時から24時までずっと人だかりができ続けていた Laplacian Pyramid of Generative Adversarial Networks(LAPGAN)
  • 10. 10 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 11. 11 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 12. 12 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Generative Adversarial Network (GAN) Generative Adversarial Nets(GAN) Goodfellow+, NIPS2014
  • 13. 13 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Generative Adversarial Network (GAN) Generator(生成器)と Discriminator(識別器)を戦わせ 生成精度を向上させる 識別器: “本物画像”と “生成器が作った偽画像”を識別する 生成器: 生成画像を識別器に“本物画像”と誤識別させようとする (Goodfellow+, NIPS2014, Deep Learning Workshop, Presentation)
  • 14. 14 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Generative Adversarial Network (GAN) Minimax Objective function Discriminator が 「本物画像」を「本物」と識別 (Goodfellow+, NIPS2014, Deep Learning Workshop, Presentation) Discriminator が 「生成画像」を「偽物」と識別する Discriminatorは 正しく識別しようとする (最大化) Generatorは Discriminator に誤識別させようとする(最小化) Generator(生成器)と Discriminator(識別器)を戦わせ 生成精度を向上させる
  • 15. 15 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Generative Adversarial Network (GAN) SGDで Discriminator k回、Generator 1回と交互に学習 MCMC等のSampling必要なく、Back Propagation で解ける Discriminatorでの 最大化(k 回) Generator での 最小化(1回)
  • 16. 16 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 17. 17 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Conditional Generative Adversarial Network (GAN) Minimax Objective function Conditional Generative Adversarial Nets(CGAN) Mirza+, 2014, Gauthier, 2014
  • 18. 18 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 19. 19 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) 各周波数帯の画像特徴ごとにGANを学習 周波数帯ごとの画像特徴を生成・合成し、解像度を上げていく 学習 生成
  • 20. 20 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) 各周波数帯ごとのGANを生成し 解像度を上げた画像生成をしていく 低解像度 画像 高解像度 画像 元画像 生成画像サンプル
  • 21. 21 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid (Burt & Adelson, 1983) 各周波数帯の画像特徴 downsampling upsampling Low pass filtered images Band-pass filtered images http://eric-yuan.me/image-pyramids/
  • 22. 22 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) Laplacian Pyramid で各周波数帯ごとに 低周波数画像が与えられたときの Conditional GANを学習 学習 ・Generator と Discriminator は ConvNet ・Generator は低周波数画像から高周波数画像の生成を学習する Minimax Objective function
  • 23. 23 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) 周波数帯ごとの画像特徴を生成・合成し 高解像度の画像を生成していく 生成
  • 24. 24 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) Class Conditional LAPGAN http://soumith.ch/eyescream/  1 hot coding of class label
  • 25. 25 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) Model Architecture 10万画像 ・CIFAR10: 32x32 pixel, 10万画像, 10 Class ・STL10 : 96x96 pixel, 10万画像, 10 Class
  • 26. 26 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Laplacian Pyramid of GAN(LAPGAN) Model Architecture 1000万画像 ・LSUN: 64x64pixelにDownsample, 1000万画像, 10 Class
  • 27. 27 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Experiments 画像生成 低解像度 画像 高解像度 画像 元画像 生成画像サンプル
  • 28. 28 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Experiments Visual Turing Test : 人に画像を見せ本物か生成画像か評価 40%の生成画像に関して、本物画像と見間違う Log Likelihood Visual Turing Test (CIFAR10) 40% 本物画像と判定された割合
  • 29. 29 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Experiments 生成画像のModel比較 CIFAR10 最近傍の 実画像 生成画像 CC-LAPGAN: Class Conditional LAPGAN
  • 30. 30 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Experiments Class Conditional LAPGAN での各Classの画像生成
  • 31. 31 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Experiments 256x256 pixel 画像を 再帰的に生成 http://soumith.ch/eyescream/ 
  • 32. 32 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 33. 33 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Deep Convolutional GAN (DCGAN) Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(Radford+, arXiv:1511.06434) Convolution/DecomvolutionのGAN
  • 34. 34 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Deep Convolutional GAN (DCGAN) クリアな画像生成 Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(Radford+, arXiv:1511.06434) 画像演算 クリアな画像生成・潜在空間での画像演算
  • 35. 35 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Deep Convolutional GAN (DCGAN) ・顔イラスト生成:https://github.com/mattya/chainer-DCGAN ・漢字生成:‪http://genekogan.com/works/a-book-from-the-sky.htmlse characters ・花生成:https://twitter.com/vintermann/status/675599478494208000 DCGAN応用・適用例 顔イラスト 花生成
  • 36. 36 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Variational AutoEncoder GAN (VAEGAN) Autoencoding beyond pixels using a learned similarity metric(Larsen+, arXiv:1512.09300) VAE + GAN
  • 37. 37 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Variational AutoEncoder GAN (VAEGAN) Autoencoding beyond pixels using a learned similarity metric(Larsen+, arXiv:1512.09300) VAEGAN with visual attribute vectors
  • 38. 38 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 39. 39 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Deep Visual Analogy Making Deep Visual Analogy Making (Reed+) 変換則の学習
  • 40. 40 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Deep Convolutional Inverse Graphics Network Deep Convolutional Inverse Graphics Network(Kulcarni+) VAEのConvolution拡張。3Dモデルの連続変換を学習
  • 41. 41 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 42. 42 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Summary: LAPGAN 各周波数帯ごとの Generative Adversarial Network を作り 解像度を上げていく画像生成を実現する 学習 生成
  • 43. 43 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. 各周波数帯ごとの Generative Adversarial Network を作り 解像度を上げていく画像生成を実現する 低解像度 画像 高解像度 画像 元画像 生成画像サンプル Summary: LAPGAN
  • 44. 44 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Summary: LAPGAN Visual Turing Test : 人が画像を見て、本物か生成画像か評価 40%の生成画像に関して、本物画像と見間違う Visual Turing Test (CIFAR10) 40% 本物画像と判定された割合
  • 45. 45 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References
  • 46. 46 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. Reference -Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., and Bengio, Y. (2014). Generative adversarial nets. In NIPS 2014. -Gauthier, J. (2014). Conditional generative adversarial nets for convolutional face generation. Class Project for Stanford CS231N: Convolutional Neural Networks for Visual Recognition, Winter semester 2014. -Mirza, M. and Osindero, S.(2014). Conditional generative adversarial nets. arXiv preprint, arXiv:1411.1784. -Denton, E., Chintala, S., Szlam, A., and Fergus, R.(2015) Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks. In NIPS 2015. Conditional GAN GAN LAPGAN Recent GANs -Larsen, A. B. L., Sønderby, S. K., Winther, O.(2015). Autoencoding beyond pixels using a learned similarity metric. arXiv preprint, arXiv:1512.09300. -Radford, A., Metz, L., and Chintala, S.(2015)Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv preprint, arXiv:1511.0643. -Reed, S., Zhang, Y., Zhang, Y., and Lee, H.(2015) Deep Visual Analogy-Making. In NIPS 2015. -Kulkarni, T. D., Whitney, W., Kohli, P., Tenenbaum, J. B.(2015). Deep Convolutional Inverse Graphics Network. In NIPS 2015. Other Generative Image Models in NIPS 2015
  • 47. 47 Copyright (C) 2014 DeNA Co.,Ltd. All Rights Reserved. AGENDA ◆Laplacian Pyramid of GAN(LAPGAN) ◆Recent extended GANs ◆Other Deep Generative Models in NIPS2015 ◆Generative Adversarial Network(GAN) ◆Conditional GAN(CGAN) ◆Summary ◆References