Deep Learning Paper Review/Paper Review
-
[Paper Review] Real-ESRGAN : Training Real-World Blind Super-Resolutionwith Pure Synthetic DataDeep Learning Paper Review/Paper Review 2022. 3. 8. 14:46
paper : Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data github : https://github.com/xinntao/Real-ESRGAN Abstract 본 논문에서는 기존의 ESRGAN super-resolution 모델을 바탕으로 다양한 전처리 degradations (열화) 기법을 추가해줌으로써 Real-ESRGAN 모델로 확장하였습니다. 실생활에서 생기는 degradations을 구현하기 위해 high-order degradations 기법이 도입되었습니다. 게다가, 논문의 연구진은 ringing (전기 회로에서 입력 신호의 급격한 변화에 대하여 과도적 현상으로 출력 파형에 진동을 일으키는 ..
-
[Paper Review] Alias-Free Generative Adversarial Networks (StyleGAN3)Deep Learning Paper Review/Paper Review 2022. 3. 7. 00:34
paper : Alias-Free Generative Adversarial Networks https://nvlabs-fi-cdn.nvidia.com/_web/alias-free-gan/videos/video_0_ffhq_cinemagraphs.mp4#t=0.001 Abstract 기존의 StyleGAN2은 texture sticking 이라는 문제를 가지고 있었습니다. 이미지는 구조적으로 학습되어야 하는데(ex. 턱에 해당하는 위치에 수염이 있어야 합니다.), StyleGAN 의 Generator는 이미지의 각 특징들을 hierarchical 방식으로 학습하지 않고 고정된 픽셀 단위로 학습을 합니다. Interpolation 영상을 보면, StyleGAN2의 영상에서는 턱 수염이 인물을 따라가지 않고,..
-
[Paper Review] Analyzing and Improving the Image Quality of StyleGAN (StyleGAN2)Deep Learning Paper Review/Paper Review 2022. 3. 7. 00:29
paper : Analyzing and Improving the Image Quality of StyleGAN Abstract StyleGAN의 문제를 분석하고, 모델의 구조와 학습 방법을 개선하였습니다. Generator 의 구조 개선 Redesign generator normalization: "Droplet artifacts" 문제 해결 Revisit progressive growing: "phase" artifacts, Shift-invariance of the network 문제 해결 Regularze the generator : 더 좋은 image와 latent vector의 대응 (smoother latent space W) Capacity Increase: the effective reso..
-
[Paper Review] A Style-Based Generator Architecture for Generative Adversarial Networks (StyleGAN)Deep Learning Paper Review/Paper Review 2022. 3. 1. 02:18
paper : A Style-Based Generator Architecture for Generative Adversarial Networks 본 model은 discrimintator나 loss function은 건드리지 않고, style을 더 잘 학습시키도록 generator의 architecture를 발전시킨 모델입니다. 기존의 PGGAN(ProGAN) 모델 (기존의 GAN보다 고해상도의 이미지를 생성)을 변형시켜 image합성을 style scale-specific cotrol 할 수 있도록 발전시켰습니다. 아래의 사진처럼 특정 style을 scaling할 수 있는 것이 style scale-specific control이다. 1. Introduction 본 논문은 style transfer l..
-
[Paper Review] Generative Adversarial Networks (GAN)Deep Learning Paper Review/Paper Review 2022. 2. 24. 06:55
paper : Generative Adversarial Networks GAN - Minimax two player game Generative Adversarial Networks (GAN)은 adversarial process를 적용한 생성 모델입니다. GAN 은 주어진 입력 데이터와 유사한 데이터를 생성하는 것을 목표로 하여, Generator model과 Discriminative model이 경쟁하며 서로의 성능을 높여가는 모델입니다. paper에서 나온 예시를 들면, Generator(G) 모델은 위조지폐를 만드는 사람들과 유사하며, Discriminator(D) 모델은 위조지폐를 발견하는 경찰과 유사합니다. 생성자는 최대한 기존의 데이터(실제 지폐)와 유사한 지폐를 만들려고 노력하고, 판별자..