Invertibilidad de un generador entrenado adversariamente

Pividori, Marcos

Invertibilidad de un generador entrenado adversariamente

dc.contributor.advisor	Uzal, Lucas
dc.contributor.coadvisor	Grinblat, Guillermo
dc.creator	Pividori, Marcos
dc.date.accessioned	2022-07-25T18:37:18Z
dc.date.available	2022-07-25T18:37:18Z
dc.date.issued	2019
dc.description.abstract	Las Redes Adversarias Generativas (GAN) han demostrado resultados excepcionales en el modelado de la distribución de imágenes naturales, aprendiendo representaciones latentes que capturan variaciones semánticas sin supervisión. Además de la generación de imágenes nuevas, es de especial interés explotar la capacidad del generador GAN para modelar el manifold de las imágenes naturales y, por lo tanto, generar cambios creíbles al manipular imágenes. Sin embargo, esta línea de trabajo está condicionada por la calidad de las reconstrucciones obtenidas sobre las imágenes reales al proyectarlas al espacio latente. Mientras que trabajos previos solo han considerado la inversión hasta el espacio latente, en este trabajo proponemos explotar la representación en las capas intermedias del generador, y mostramos que esto conduce a una mayor capacidad. En particular, observamos que la representación después de la primera capa densa, presente en todos los modelos GAN del estado del arte, es lo suficientemente expresiva como para representar imágenes naturales con gran fidelidad visual. Es posible interpolar entre estas imágenes obteniendo una secuencia de nuevas imágenes sintéticas de gran calidad que no se pueden generar desde el espacio latente. Finalmente, como ejemplo de aplicaciones potenciales que surgen de este mecanismo de inversión, mostramos que se puede explotar la representación aprendida en el mapa de atención del generador para obtener una segmentación no supervisada de imágenes naturales.	es
dc.description.peerreviewed	Peer reviewed
dc.format	application/pdf
dc.identifier.uri	http://hdl.handle.net/2133/23955
dc.language.iso	spa	es
dc.publisher	Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario	es
dc.rights	openAccess	es
dc.rights.holder	Pividori, Marcos.	es
dc.rights.text	Atribución (by): Se permite cualquier explotación de LA OBRA, incluyendo la explotación con fines comerciales y la creación de obras derivadas, la distribución de las cuales también está permitida sin ninguna restricción.	es
dc.rights.uri	http://creativecommons.org/licenses/by/2.5/ar/	*
dc.subject	Aprendizaje profundo	es
dc.subject	Aprendizaje automatizado	es
dc.subject	Redes adversarias generativas (Generative Adversarial Networks)	es
dc.subject	Aprendizaje no suervisado (Unsupervised Learning)	es
dc.subject	Deep learning	es
dc.subject	Machine learning	es
dc.subject	Edición de imagen	es
dc.title	Invertibilidad de un generador entrenado adversariamente	es
dc.type	bachelorThesis
dc.type	Tésis de Grado
dc.type.collection	tesis
dc.type.other	bachelorThesis	es

Archivos

Bloque original

Mostrando 1 - 1 de 1

Nombre:: Tesina de Licenciatura en Ciencias de la Computación. Pividori, Marcos.pdf
Tamaño:: 17.62 MB
Formato:: Adobe Portable Document Format
Descripción:

Descargar

Bloque de licencias

Mostrando 1 - 1 de 1

Nombre:: license.txt
Tamaño:: 3.59 KB
Formato:: Item-specific license agreed upon to submission
Descripción:

Descargar

Colecciones

FCEIA-ECEN-DCC- Trabajos Finales de Grado (trabajos finales, proyectos y tesinas)