LatentKeypointGAN: Unsupervised Controllable Image Editing via Latent Keypoints
LatentKeypointGAN is a novel two-stage GAN architecture that enables controllable and interpretable image editing by disentangling pose and appearance through latent keypoints and their associated embeddings, achieving high image quality and generalizing to diverse domains in an unsupervised manner.
MGMD-GAN: Enhancing GAN Generalization and Defense Against Membership Inference Attacks Using a Multiple Generator and Discriminator Framework
The MGMD-GAN framework, employing multiple generators and discriminators trained on disjoint data partitions, enhances the generalization of GANs and mitigates the risk of membership inference attacks by reducing overfitting to training data.
Theoretische Analyse von Vanilla Generative Adversarial Networks (GANs) unter Verwendung der Wasserstein-Distanz
Durch Einführung einer Lipschitz-Bedingung für die Diskriminator-Klasse in Vanilla GANs können deren theoretische Eigenschaften mit denen von Wasserstein GANs in Verbindung gebracht werden. Dies ermöglicht es, Vanilla GANs in Bezug auf die Wasserstein-Distanz zu analysieren und Konvergenzraten herzuleiten, die mit denen von Wasserstein GANs vergleichbar sind.
ReStainGAN: Leveraging IHC to IF Stain Domain for in-silico Data Generation
In-silico 데이터 생성을 위한 IHC에서 IF 염색 도메인 활용
Effiziente Anwendung von Generative Adversarial Networks für binäre semantische Segmentierung auf unausgeglichenen Datensätzen
Effiziente Anwendung von cGANs für die binäre semantische Segmentierung auf unausgeglichenen Datensätzen.
Analyzing Wasserstein Perspective of Vanilla GANs
Bridging the gap between Vanilla GANs and Wasserstein GANs through a theoretical lens.
ReStainGAN: Leveraging IHC to IF Stain Domain for in-silico Data Generation
提案された手法は、in-silico免疫組織化学（IHC）画像の生成において、既存の注釈を新しい領域に拡張することで、監督深層学習モデルのトレーニングに必要な大規模かつピクセル正確なデータセットのコストを著しく低減する可能性がある。
© 2024 by Linnk AI