Temat: WGAN - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: The Development of a Generative Approach for Joint Super-Resolution Image Reconstruction from Highly Sparse Raw Data in the Context of MR-PET Imaging
Autorzy:: Malczewski, Krzysztof
Tematy:: GAN
WGAN
super-resolution
compressive sensing
medical modalities; Pokaż więcej
Wydawca:: Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Instytut Informatyki Technicznej
Powiązania:: https://bibliotekanauki.pl/articles/59122867.pdf Link otwiera się w nowym oknie
Opis:: The present study introduces a rapid and efficient approach for reconstructing high-resolution images in hybrid MRI-PET scanners. The application of sparsity, compressed sensing (CS), and super-resolution reconstruction (SRR) methodologies can significantly decrease the demands of data acquisition while concurrently attaining high-resolution output. G-guided generative multilevel networks for sparsely sampled MR-PET input are shown here. Compressed Sensing using conjugate symmetry and Partial Fourier methodology speeds up data collection over k-space sampling methods. GANs and k-space adjustments are used in this image domain technique. The employed methodology utilizes discrete preprocessing stages to effectively tackle the challenges associated with the deblurring, reducing motion artifacts, and denoising of layers. Initial trials offer contextual details and accelerate evaluations. Preliminary experiments provide contextual information and expedite assessments.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: An Overview of Applications, Frameworks and Methods for Generative Adversarial Networks
Przegląd możliwości, narzędzi i metod w dziedzinie Generative Adversarial Networks
Autorzy:: Lik, Łukasz
Opis:: Generative Adversarial Network (GAN) is a machine learning model that is a part of a generative models subgroup and a great tool to use for an unsupervised or semi-supervised learning. This type of neural network does not require an extensively annotated dataset to learn. The learning process in itself is very interesting. In order to learn data representation, two neural networks compete with each other in a zero-sum game, where advantage of one side means a loss for the other. Representations can be learned from a variety of data types including but not limited to images, videos and natural speech. Being part of a generative networks group GANs’ straightforward application is to generate new data based on presented samples. More sophisticated applications include data editing, super-resolution or style transfer. With the growing popularity of GANs several frameworks have been developed in order to make their implementation faster and less difficult. In this thesis, I will briefly describe the basics behind GANs and how many popular GAN architectures have been developed over the years to further extend the capabilities of these networks. Then I will focus on the variety of applications that GANs have in the domains of images, videos and natural speech. Finally, I will present some of the most commonly used frameworks developed specifically for GANs together with code examples showcasing their main features. Additionally, the described frameworks have been tested on MNIST dataset.
Generative Adversarial Network (GAN) to jeden z wielu modeli uczenia maszynowego należący do grupy modeli generujących, będący doskonałym narzędziem wykorzystywanym w uczeniu nienadzorowanym lub w pół-nadzorowanym. Ten typ sieci neuronowych nie wymaga etykietowanego zbioru danych, aby się uczyć. Sam proces uczenia tych sieci jest bardzo interesujący. W celu nauczenia się dwie sieci neuronowe rywalizują ze sobą w grze o sumie stałej, gdzie zysk jednej strony oznacza stratę drugiej. Sieci te można uczyć na różnych typach danych między innymi na obrazach, filmach, a nawet mowie. W związku z tym, że GANy należą do grupy sieci generujących, jednym z najprostszych zastosowań tych sieci jest generowanie nowych danych na podstawie zaprezentowanych próbek. Bardziej zaawansowane zastosowania obejmują edycje danych, zwiększanie rozdzielczości lub zamianę stylów. Rosnąca popularność GANów przyczyniła się do rozwoju kilkunastu frameworków, które mają za zadanie uprościć i przyspieszyć ich implementacje.W tej pracy dyplomowej krótko przedstawię podstawy GANów oraz jak na przestrzeni lat, wiele nowych popularnych architektur zostało opracowanych, aby poszerzyć możliwości tych sieci. Następnie skupię się na różnych zastosowaniach sieci GAN związanych z obrazami, filmami oraz mową. Na końcu opiszę kilka z najpopularniejszych frameworków stworzonych specjalnie z myślą o GANach oraz przedstawię przykłady kodu źródłowego demonstrujące kluczowe elementy poszczególnych frameworków. Dodatkowo frameworki opisane w tym rozdziale zostały przetestowane na zbiorze danych MNIST.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Informacja

Wyszukujesz frazę "WGAN" wg kryterium: Temat