文献

J-GLOBAL ID：201802235643086091   整理番号：18A0519203

知覚的類似性計量を持つ画像を生成するための学習【Powered by NICT】

Learning to generate images with perceptual similarity metrics

著者 (6件)： Snell Jake (University of Toronto) ,  Ridgeway Karl (University of Colorado, Boulder) ,  Liao Renjie (University of Toronto) ,  Roads Brett D. (University of Colorado, Boulder) ,  Mozer Michael C. (University of Colorado, Boulder) ,  Zemel Richard S. (University of Toronto)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICIP  ページ： 4277-4281  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ディープネットワークは,画像合成,例えばを含む問題に適用し,テキスト記述から画像を生成し,コンパクトな表現からの入力画像を再構成するが増加している。画像合成ネットワークの教師つき訓練は典型的に画素損失(PL)を用いて生成された画像とそれに対応するターゲット画像の間のミスマッチを示した。代わりに画像品質の人間の知覚判断に良好な較正する損失関数を使用することを提案した:マルチスケール構造類似性スコア(MS SSIM)〔1〕。MS-SSIMである微分可能なので,勾配降下学習に取り込まれやすい。訓練オートエンコーダにMS-SSIMとPL損失を用いた場合の結果を比較した。ヒトオブザーバを確実にPL最適化モデルによって合成されたものを超えるMS SSIM最適化モデルによる合成画像を好み,二種類のPL対応策(L_1とL_2距離)であった。,画像符号化に訓練目的の影響を調べ,その下で知覚的に最適化された表現は,画像分類に関するより良い性能をもたらす条件を解析した。最後に,超解像イメージングのための知覚的に最適化されたネットワークの優位性を示した。人間の知覚の特性によく整列した訓練目的の使用による画像モデリングで重要な進歩ことを論じた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 再構成 ,  画質 ,  *類似性 ,  画像合成 ,  不整合 ,  画像符号化 ,  超解像 ,  画素 ,  *画像 ,  ネットワーク ,  教師つき学習 ,  最適化
準シソーラス用語： 画像分類 ,  最適化モデル ,  構造的類似性 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 知覚 ,  類似性 ,  計量 ,  学習