SlideShare uma empresa Scribd logo

Generative Image Inpainting with Contextual Attention (by Jiahui Yu）

•
•
T
Tomoki Tanimura

論文読みのスライドです．GANについても一から説明しています．以下に対象論文の詳細をあげておきます． ※知識不足のため，間違っている点もあるかと思いますので，見る方は参考程度にお願いいたします． Generative Image Inpainting with Contextual Attention Yu, Jiahui and Lin, Zhe and Yang, Jimei and Shen, Xiaohui and Lu, Xin and Huang, Thomas S arXiv：https://arxiv.org/pdf/1801.07892.pdf Github：https://github.com/JiahuiYu/generative_inpainting

Ciências
1 de 93
Baixar para ler offline
8 1 / 1 1 / 1 6 3 16 -2 1
UR ▶ P ▶ C 8H J , 8 ,C 8 CH C H CH LHI8A HH CH C ▶ S ▶ - 8 I 6I . C - 68C 8 I 1 C 1 C .I 2 8G 1 I8C ▶ TV ▶ C J G H ,AA C G 8H 8C8 8 8 C ▶ 0 G 8 ▶ H ▶ /0
▶ // / G 3 / / A I 1 G 336 3 8G 2
8 4 - ECA 6E A 8 4E8 3AC - 4 8 - 4 E EE8 E A .A 8 - CAG8 8 8C4E G8 - 4 E /8E AC A4C 8 EA 8 8E AC C6 E86E C8 A54 4 A64 34 8C E8 / 1 4C 4 6A E8 C86A EC 6E A A - 4 8 - 4 E E A E8IE 4 EE8 E A A E8IE 4 EE8 E A 2 8 - 4 E /8E AC I 8C 8 E A 6 A
8 8 ▶ L v sqLp 8 16 / 8 1 -6 - 18 8 6-C1 xi ▶ 6 -6 -8 /-6 - -66C / 8 1 1/ 8 / 8 6 - 8 82 hwt g luNP 8 A115G ▶ xiNPmr W yoNP81 A 5 d bace 2 -6 C 8 - 8 82nk P
PS L N - 3 - 3 C GI A / C 2 / a W 3A C 8 C A 1 3C 3 6 5 C 6 43 3 6 . 53 2 / C FC 3 CC C G
▶ I 2 / 1 8 6
/( 1( ▶ 9 ▶ I 9 6 ( 2 ( ▶ 8 9 /( ( 1 ( )
/
+ GAN 36 1 5/ CNN (Conlutional neural network
1 1kernel scan 5 46 / Scan1 8
▶ GDCA ▶ GD 6 5 28 ▶ C ▶ 1 1 8 5 / 1 2/
▶ 1 / 1 AG8 ▶ A 5 N B 5 CD A 5D 6
▶ / ▶ 1 / /
( ▶ LN A M ) 66 G E ▶ 66 56 / 6 5 1 8 5 / 6
-)( ▶ 966/ 5 /6 8 1 8
2 )/ ▶ 1 )/ 0 6 6 08 5 6 6 6 ▶ 0 - DG A J (
( ▶ ( 1 5 58 8 1 5 1 - 5 8 5 65 5 ▶ -) ca K N D K ▶ EKdb R Wdb K W DK MG → 1 8 / 28 58 1 8 A
)( ) ▶ -55 56 2 /256- ▶ 8 G 1 A
5 ▶ ▶ 1 - 1 ) 1- 2 1 -6 5 ▶ k ▶ < 3 ▶ ) 1/ - 2 /- 2 1 = ▶ 3 - f 8 ▶ 8 3 8 8 (
▶ G N8 ▶ P 128 4 A 5 1 /6 A - 1815 1
▶ 8 G 6 ▶ 6 ▶ ▶ ▶ 1 - /2 / 2 A 5
k ▶ - 18 8 8 6 e iG L 1 7 21 1 1 7 ▶ - 16 d hi C c g . 1 8 6 21 1 1 7 +// / ▶ 1 PI 1 1 I A 1 hi b aN C ) (
I 1 16 1 6 6 ▶ P M 6 8 2 6 1 56 1 2 / 2 6
t 9 2 /. 35 13 13/9 ▶ er ▶ 5 h 5 MP m n ▶ m I a d 5 Mg 8 ▶ p i iM c ▶ n o 6 3 2 5 M m M ▶ p i iM
3 / 01 0 0 3 ▶ ▶ 651 I 1 8
I 3 / /1 / 3 1 1 ▶ P ▶ 8 1 1 ▶ M6 M 5
6 13 /15/1 6 5 5 ▶ P ▶ M I 1 2 3 5 8 ▶
I 8 1 6 8 6 / 6 / ▶ 6 / 6 / 3 65 6 3 ▶ 5 31 C M
C A 6 3 4 4 4 3 - ▶ 58/ 5 1 8 5 4 464 8 ▶ 45 1 8 85 48
5-21 68-363 362 ▶ - -6 /- 3 / 3536- ▶ 68-363 362GD 3 / 3536- L AI
D / 35 3 6 3/ 1 - 1 / I A G 8
G 8 / 35 3 6 3/8 - 1 7 N I A L
n 8 31 5 5 5 3 - ▶ 5 1 / 5 ▶ a D eN / 5 c ▶ 1 A5 1 C / 1/ 1 C1 i 5 1 / 5 dm ▶ 6I G 5 1 k hg f l L NM 5 1 / 5
-1 5 - 5 8 51 ▶ 3-8 / 65 6398 65
-10 68- 6 61 ▶ 4- 0/ 6 4 6 ▶ N 6 4 6N A ▶ I30 604N AD G ▶ aG LI
5-1 68- 6 61 ▶ G G M / 4- / 6 4 6N ▶ - 8 4G LI A C
▶ -/ - - 8 8 4 6 I ▶ 1 I ▶ - 3 6
/1 -
4 6 4 /13 4 - 1 - 8
8 7 1 3 41 461 / - 4 4
8 6 1 3 -/ 3 1 1 -3 341 Input Image & Mask
1 3 41 461 / - 4 4 8 9 Network
1 3 1 0 61 / - 5 8
6 1 3 -/ 35 1 1 -3 3 1 8 Network
1 23 1 612/ 2 - 52 8
/5 ▶ /5 4 / ▶ 8 M /5 4 / ▶ ▶ ▶ 1 6 C D
6 8 3 /5 81 5 - -
S / 1 / 1 / / ▶ 8 5 /1 8 I 8 8 8 6
6 57 1 1 / 1/ 1
5 6 / 1 / 1 //
6 5 1 1 / 1/ 1
8 5 1605 10 5 6 5 10 1 ▶ 0 05 0 1 0 / O S I 0
/ 1 / 1 // ▶ 6 8 5 6 / 1 1 //
M 5 8/ 1 / 8 6 86 8/ 1 ▶ M ▶ 6 O 6/ / 1 2 ▶ O 6/ / 1 B I
l n 9. 3.5 03 /8= 10 1/8 =/ 38 58 ▶ n ▶ ,. kg c L 8 3 3 .5 6. 1 S 8 e ▶ aim IM 5 ▶ 5 d 93 15M o
5684 - 1/
568 / 1 /
568 /1 1 11 /1- /
7 78 77 7 ▶ 1/5 8 B C 61 LM A M 5 BB 75 87
A ) 8* (* 1 6 8 CB 5* / 1 1
8 1 6 5 / 1 9 C 1 15 A
5 05 C 57 75 6 /A 85 1 75 6 / C C 57 75 05 8 57
5 1 / ▶ 67 ▶ 8
F 27 78 1 77 27/ 2 ▶ A ▶ 5 5 82 / 1B 5 82 C B ▶ A / 1 A 77 27/ 2 6 5
A C3 1 ▶ 8 / 5 67
C 1 / Foreground 8 Background 4 6 Foreground 7 5 8A
/1 -
G ▶ A 6 8 5 - / 1 7
5 /1 ▶
9 7 5 68 ▶ , / 1 ,
2 0 /1 ▶
1 / ▶
21/5 ▶
5 83 6 ▶ 1 / -
/ ▶
1/5 ▶ ( )
8/ ▶ 1 56
B 8 ▶ 5 76/ F 6 155/
▶ 6 6 5 / 1 M / 6/ I 8 B 8 P BFB
5 9 ▶ ▶ 2 / 81 6 8 8 ▶ ▶ 2 / 81 6 8
N ▶ ▶ 6 8 / -1 0 5 1 5 9 ▶
T a ▶ // ▶ 5 a6 ▶ 8 1 ▶ 9 8 V
ia 1 6 2 56 8 ▶ /1N N NMr ia d N c e 9 M G Ll o ▶ N uL s b ▶ N N ▶ / 256 6 2 1 55N n ▶ Nt y LA
A ▶ C 5 8 /GI ▶ 4 6 - 84 - - -6 8 - 2 /- 5 8 / ▶ 4 8- 89 1 88- 8 4
8 ▶ 5 ▶ IF /1 / / 11 / 9A 6

Recomendados

SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点
SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点
SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点Ken'ichi Matsui
 
Image Translation with GAN
Image Translation with GANImage Translation with GAN
Image Translation with GANJunho Cho
 
4. CycleGANの画像変換と現代美術への応用
4. CycleGANの画像変換と現代美術への応用4. CycleGANの画像変換と現代美術への応用
4. CycleGANの画像変換と現代美術への応用幸太朗 岩澤
 
BERT入門
BERT入門BERT入門
BERT入門Ken'ichi Matsui
 
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向Kensho Hara
 
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)Takuma Yagi
 
文献紹介：YOLO series：v1-v5, X, F, and YOWO
文献紹介：YOLO series：v1-v5, X, F, and YOWO文献紹介：YOLO series：v1-v5, X, F, and YOWO
文献紹介：YOLO series：v1-v5, X, F, and YOWOToru Tamaki
 
Superpixel Sampling Networks
Superpixel Sampling NetworksSuperpixel Sampling Networks
Superpixel Sampling Networksyukihiro domae
 

Recomendados

SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点
SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点
SIGNATE 産業技術総合研究所 衛星画像分析コンテスト ２位入賞モデルの工夫点Ken'ichi Matsui
 
Image Translation with GAN
Image Translation with GANImage Translation with GAN
Image Translation with GANJunho Cho
 
4. CycleGANの画像変換と現代美術への応用
4. CycleGANの画像変換と現代美術への応用4. CycleGANの画像変換と現代美術への応用
4. CycleGANの画像変換と現代美術への応用幸太朗 岩澤
 
BERT入門
BERT入門BERT入門
BERT入門Ken'ichi Matsui
 
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向Kensho Hara
 
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)
オープンワールド認識 (第34回全脳アーキテクチャ若手の会 勉強会)Takuma Yagi
 
文献紹介：YOLO series：v1-v5, X, F, and YOWO
文献紹介：YOLO series：v1-v5, X, F, and YOWO文献紹介：YOLO series：v1-v5, X, F, and YOWO
文献紹介：YOLO series：v1-v5, X, F, and YOWOToru Tamaki
 
Superpixel Sampling Networks
Superpixel Sampling NetworksSuperpixel Sampling Networks
Superpixel Sampling Networksyukihiro domae
 
Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究Fumihiko Takahashi
 
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se... [DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...Deep Learning JP
 
「深層学習」第６章 畳込みニューラルネット
「深層学習」第６章 畳込みニューラルネット「深層学習」第６章 畳込みニューラルネット
「深層学習」第６章 畳込みニューラルネットKen'ichi Matsui
 
Bayesian Neural Networks : Survey
Bayesian Neural Networks : SurveyBayesian Neural Networks : Survey
Bayesian Neural Networks : Surveytmtm otm
 
Introduction to Prioritized Experience Replay
Introduction to Prioritized Experience ReplayIntroduction to Prioritized Experience Replay
Introduction to Prioritized Experience ReplayWEBFARMER. ltd.
 
論文紹介 No-Reward Meta Learning (RL architecture勉強会)
論文紹介 No-Reward Meta Learning (RL architecture勉強会)論文紹介 No-Reward Meta Learning (RL architecture勉強会)
論文紹介 No-Reward Meta Learning (RL architecture勉強会)Yusuke Nakata
 
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）Preferred Networks
 
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Preferred Networks
 
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)harmonylab
 
[DL輪読会]YOLO9000: Better, Faster, Stronger
[DL輪読会]YOLO9000: Better, Faster, Stronger[DL輪読会]YOLO9000: Better, Faster, Stronger
[DL輪読会]YOLO9000: Better, Faster, StrongerDeep Learning JP
 
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）Preferred Networks
 
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...Deep Learning JP
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化Yusuke Uchida
 
Group normalization
Group normalizationGroup normalization
Group normalizationRyutaro Yamauchi
 
指考必背7000含中文
指考必背7000含中文指考必背7000含中文
指考必背7000含中文shouko
 
フォトンマッピング入門
フォトンマッピング入門フォトンマッピング入門
フォトンマッピング入門Shuichi Hayashi
 
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.Deep Learning JP
 
Weakly supervised semantic segmentation of 3D point cloud
Weakly supervised semantic segmentation of 3D point cloudWeakly supervised semantic segmentation of 3D point cloud
Weakly supervised semantic segmentation of 3D point cloudArithmer Inc.
 
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用Preferred Networks
 
深層学習　第6章
深層学習　第6章深層学習　第6章
深層学習　第6章KCS Keio Computer Society
 
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...Tomoki Tanimura
 
Metodos-de-Partida-Sirius-pdf.pdf
Metodos-de-Partida-Sirius-pdf.pdfMetodos-de-Partida-Sirius-pdf.pdf
Metodos-de-Partida-Sirius-pdf.pdfAndrMoreira676158
 

Mais conteúdo relacionado

Mais procurados

Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究Fumihiko Takahashi
 
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se... [DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...Deep Learning JP
 
「深層学習」第６章 畳込みニューラルネット
「深層学習」第６章 畳込みニューラルネット「深層学習」第６章 畳込みニューラルネット
「深層学習」第６章 畳込みニューラルネットKen'ichi Matsui
 
Bayesian Neural Networks : Survey
Bayesian Neural Networks : SurveyBayesian Neural Networks : Survey
Bayesian Neural Networks : Surveytmtm otm
 
Introduction to Prioritized Experience Replay
Introduction to Prioritized Experience ReplayIntroduction to Prioritized Experience Replay
Introduction to Prioritized Experience ReplayWEBFARMER. ltd.
 
論文紹介 No-Reward Meta Learning (RL architecture勉強会)
論文紹介 No-Reward Meta Learning (RL architecture勉強会)論文紹介 No-Reward Meta Learning (RL architecture勉強会)
論文紹介 No-Reward Meta Learning (RL architecture勉強会)Yusuke Nakata
 
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）Preferred Networks
 
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Preferred Networks
 
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)harmonylab
 
[DL輪読会]YOLO9000: Better, Faster, Stronger
[DL輪読会]YOLO9000: Better, Faster, Stronger[DL輪読会]YOLO9000: Better, Faster, Stronger
[DL輪読会]YOLO9000: Better, Faster, StrongerDeep Learning JP
 
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）Preferred Networks
 
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...Deep Learning JP
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化Yusuke Uchida
 
指考必背7000含中文
指考必背7000含中文指考必背7000含中文
指考必背7000含中文shouko
 
フォトンマッピング入門
フォトンマッピング入門フォトンマッピング入門
フォトンマッピング入門Shuichi Hayashi
 
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.Deep Learning JP
 
Weakly supervised semantic segmentation of 3D point cloud
Weakly supervised semantic segmentation of 3D point cloudWeakly supervised semantic segmentation of 3D point cloud
Weakly supervised semantic segmentation of 3D point cloudArithmer Inc.
 
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用Preferred Networks
 

Mais procurados (20)

Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究Active Learning の基礎と最近の研究
Active Learning の基礎と最近の研究
 
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se... [DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
[DL輪読会]"CyCADA: Cycle-Consistent Adversarial Domain Adaptation"&"Learning Se...
 
「深層学習」第６章 畳込みニューラルネット
「深層学習」第６章 畳込みニューラルネット「深層学習」第６章 畳込みニューラルネット
「深層学習」第６章 畳込みニューラルネット
 
Bayesian Neural Networks : Survey
Bayesian Neural Networks : SurveyBayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
 
Introduction to Prioritized Experience Replay
Introduction to Prioritized Experience ReplayIntroduction to Prioritized Experience Replay
Introduction to Prioritized Experience Replay
 
論文紹介 No-Reward Meta Learning (RL architecture勉強会)
論文紹介 No-Reward Meta Learning (RL architecture勉強会)論文紹介 No-Reward Meta Learning (RL architecture勉強会)
論文紹介 No-Reward Meta Learning (RL architecture勉強会)
 
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
自然言語処理を 役立てるのはなぜ難しいのか（2022/10/25東大大学院「自然言語処理応用」）
 
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
 
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
MASTERING ATARI WITH DISCRETE WORLD MODELS (DreamerV2)
 
[DL輪読会]YOLO9000: Better, Faster, Stronger
[DL輪読会]YOLO9000: Better, Faster, Stronger[DL輪読会]YOLO9000: Better, Faster, Stronger
[DL輪読会]YOLO9000: Better, Faster, Stronger
 
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
PFNにおける研究開発（2022/10/19 東大大学院「融合情報学特別講義Ⅲ」）
 
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
【DL輪読会】Pervasive Label Errors in Test Sets Destabilize Machine Learning Bench...
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
 
Group normalization
Group normalizationGroup normalization
Group normalization
 
指考必背7000含中文
指考必背7000含中文指考必背7000含中文
指考必背7000含中文
 
フォトンマッピング入門
フォトンマッピング入門フォトンマッピング入門
フォトンマッピング入門
 
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
[DL輪読会]深層強化学習はなぜ難しいのか？Why Deep RL fails? A brief survey of recent works.
 
Weakly supervised semantic segmentation of 3D point cloud
Weakly supervised semantic segmentation of 3D point cloudWeakly supervised semantic segmentation of 3D point cloud
Weakly supervised semantic segmentation of 3D point cloud
 
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用
 
深層学習　第6章
深層学習　第6章深層学習　第6章
深層学習　第6章
 

Semelhante a Generative Image Inpainting with Contextual Attention (by Jiahui Yu）

[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...Tomoki Tanimura
 
Metodos-de-Partida-Sirius-pdf.pdf
Metodos-de-Partida-Sirius-pdf.pdfMetodos-de-Partida-Sirius-pdf.pdf
Metodos-de-Partida-Sirius-pdf.pdfAndrMoreira676158
 
Tabela roscas
Tabela roscasTabela roscas
Tabela roscasjcjaneiro
 
Catalogos-Metodos-de-Partida-Manobra-e-Protecao.pdf
Catalogos-Metodos-de-Partida-Manobra-e-Protecao.pdfCatalogos-Metodos-de-Partida-Manobra-e-Protecao.pdf
Catalogos-Metodos-de-Partida-Manobra-e-Protecao.pdfAndrMoreira676158
 
Catalogo Lançamento Faber-Castell 2018
Catalogo Lançamento Faber-Castell 2018Catalogo Lançamento Faber-Castell 2018
Catalogo Lançamento Faber-Castell 2018luzia silva
 

Semelhante a Generative Image Inpainting with Contextual Attention (by Jiahui Yu） (6)

[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
[論文読み] SPG-Net: Segmentation Prediction and Guidance Network for Image Inpain...
 
Metodos-de-Partida-Sirius-pdf.pdf
Metodos-de-Partida-Sirius-pdf.pdfMetodos-de-Partida-Sirius-pdf.pdf
Metodos-de-Partida-Sirius-pdf.pdf
 
Tabela roscas
Tabela roscasTabela roscas
Tabela roscas
 
M passo-kml 093
M passo-kml 093M passo-kml 093
M passo-kml 093
 
Catalogos-Metodos-de-Partida-Manobra-e-Protecao.pdf
Catalogos-Metodos-de-Partida-Manobra-e-Protecao.pdfCatalogos-Metodos-de-Partida-Manobra-e-Protecao.pdf
Catalogos-Metodos-de-Partida-Manobra-e-Protecao.pdf
 
Catalogo Lançamento Faber-Castell 2018
Catalogo Lançamento Faber-Castell 2018Catalogo Lançamento Faber-Castell 2018
Catalogo Lançamento Faber-Castell 2018
 

Generative Image Inpainting with Contextual Attention (by Jiahui Yu）

  • 1. 8 1 / 1 1 / 1 6 3 16 -2 1
  • 2. UR ▶ P ▶ C 8H J , 8 ,C 8 CH C H CH LHI8A HH CH C ▶ S ▶ - 8 I 6I . C - 68C 8 I 1 C 1 C .I 2 8G 1 I8C ▶ TV ▶ C J G H ,AA C G 8H 8C8 8 8 C ▶ 0 G 8 ▶ H ▶ /0
  • 3. ▶ // / G 3 / / A I 1 G 336 3 8G 2
  • 4. 8 4 - ECA 6E A 8 4E8 3AC - 4 8 - 4 E EE8 E A .A 8 - CAG8 8 8C4E G8 - 4 E /8E AC A4C 8 EA 8 8E AC C6 E86E C8 A54 4 A64 34 8C E8 / 1 4C 4 6A E8 C86A EC 6E A A - 4 8 - 4 E E A E8IE 4 EE8 E A A E8IE 4 EE8 E A 2 8 - 4 E /8E AC I 8C 8 E A 6 A
  • 5. 8 8 ▶ L v sqLp 8 16 / 8 1 -6 - 18 8 6-C1 xi ▶ 6 -6 -8 /-6 - -66C / 8 1 1/ 8 / 8 6 - 8 82 hwt g luNP 8 A115G ▶ xiNPmr W yoNP81 A 5 d bace 2 -6 C 8 - 8 82nk P
  • 6. PS L N - 3 - 3 C GI A / C 2 / a W 3A C 8 C A 1 3C 3 6 5 C 6 43 3 6 . 53 2 / C FC 3 CC C G
  • 7.
  • 8. ▶ I 2 / 1 8 6
  • 9. /( 1( ▶ 9 ▶ I 9 6 ( 2 ( ▶ 8 9 /( ( 1 ( )
  • 10.
  • 11.
  • 12. /
  • 14. 1 1kernel scan 5 46 / Scan1 8
  • 15. ▶ GDCA ▶ GD 6 5 28 ▶ C ▶ 1 1 8 5 / 1 2/
  • 16. ▶ 1 / 1 AG8 ▶ A 5 N B 5 CD A 5D 6
  • 17. ▶ / ▶ 1 / /
  • 18. ( ▶ LN A M ) 66 G E ▶ 66 56 / 6 5 1 8 5 / 6
  • 19. -)( ▶ 966/ 5 /6 8 1 8
  • 20. 2 )/ ▶ 1 )/ 0 6 6 08 5 6 6 6 ▶ 0 - DG A J (
  • 21. ( ▶ ( 1 5 58 8 1 5 1 - 5 8 5 65 5 ▶ -) ca K N D K ▶ EKdb R Wdb K W DK MG → 1 8 / 28 58 1 8 A
  • 22. )( ) ▶ -55 56 2 /256- ▶ 8 G 1 A
  • 23. 5 ▶ ▶ 1 - 1 ) 1- 2 1 -6 5 ▶ k ▶ < 3 ▶ ) 1/ - 2 /- 2 1 = ▶ 3 - f 8 ▶ 8 3 8 8 (
  • 24. ▶ G N8 ▶ P 128 4 A 5 1 /6 A - 1815 1
  • 25. ▶ 8 G 6 ▶ 6 ▶ ▶ ▶ 1 - /2 / 2 A 5
  • 26.
  • 27. k ▶ - 18 8 8 6 e iG L 1 7 21 1 1 7 ▶ - 16 d hi C c g . 1 8 6 21 1 1 7 +// / ▶ 1 PI 1 1 I A 1 hi b aN C ) (
  • 28. I 1 16 1 6 6 ▶ P M 6 8 2 6 1 56 1 2 / 2 6
  • 29. t 9 2 /. 35 13 13/9 ▶ er ▶ 5 h 5 MP m n ▶ m I a d 5 Mg 8 ▶ p i iM c ▶ n o 6 3 2 5 M m M ▶ p i iM
  • 30. 3 / 01 0 0 3 ▶ ▶ 651 I 1 8
  • 31. I 3 / /1 / 3 1 1 ▶ P ▶ 8 1 1 ▶ M6 M 5
  • 32. 6 13 /15/1 6 5 5 ▶ P ▶ M I 1 2 3 5 8 ▶
  • 33. I 8 1 6 8 6 / 6 / ▶ 6 / 6 / 3 65 6 3 ▶ 5 31 C M
  • 34. C A 6 3 4 4 4 3 - ▶ 58/ 5 1 8 5 4 464 8 ▶ 45 1 8 85 48
  • 35. 5-21 68-363 362 ▶ - -6 /- 3 / 3536- ▶ 68-363 362GD 3 / 3536- L AI
  • 36. D / 35 3 6 3/ 1 - 1 / I A G 8
  • 37. G 8 / 35 3 6 3/8 - 1 7 N I A L
  • 38. n 8 31 5 5 5 3 - ▶ 5 1 / 5 ▶ a D eN / 5 c ▶ 1 A5 1 C / 1/ 1 C1 i 5 1 / 5 dm ▶ 6I G 5 1 k hg f l L NM 5 1 / 5
  • 39. -1 5 - 5 8 51 ▶ 3-8 / 65 6398 65
  • 40. -10 68- 6 61 ▶ 4- 0/ 6 4 6 ▶ N 6 4 6N A ▶ I30 604N AD G ▶ aG LI
  • 41. 5-1 68- 6 61 ▶ G G M / 4- / 6 4 6N ▶ - 8 4G LI A C
  • 42.
  • 43. ▶ -/ - - 8 8 4 6 I ▶ 1 I ▶ - 3 6
  • 44. /1 -
  • 45. 4 6 4 /13 4 - 1 - 8
  • 46. 8 7 1 3 41 461 / - 4 4
  • 47. 8 6 1 3 -/ 3 1 1 -3 341 Input Image & Mask
  • 48. 1 3 41 461 / - 4 4 8 9 Network
  • 49. 1 3 1 0 61 / - 5 8
  • 50. 6 1 3 -/ 35 1 1 -3 3 1 8 Network
  • 51. 1 23 1 612/ 2 - 52 8
  • 52. /5 ▶ /5 4 / ▶ 8 M /5 4 / ▶ ▶ ▶ 1 6 C D
  • 53. 6 8 3 /5 81 5 - -
  • 54. S / 1 / 1 / / ▶ 8 5 /1 8 I 8 8 8 6
  • 55. 6 57 1 1 / 1/ 1
  • 56. 5 6 / 1 / 1 //
  • 57. 6 5 1 1 / 1/ 1
  • 58. 8 5 1605 10 5 6 5 10 1 ▶ 0 05 0 1 0 / O S I 0
  • 59. / 1 / 1 // ▶ 6 8 5 6 / 1 1 //
  • 60. M 5 8/ 1 / 8 6 86 8/ 1 ▶ M ▶ 6 O 6/ / 1 2 ▶ O 6/ / 1 B I
  • 61. l n 9. 3.5 03 /8= 10 1/8 =/ 38 58 ▶ n ▶ ,. kg c L 8 3 3 .5 6. 1 S 8 e ▶ aim IM 5 ▶ 5 d 93 15M o
  • 63. 568 / 1 /
  • 64. 568 /1 1 11 /1- /
  • 65. 7 78 77 7 ▶ 1/5 8 B C 61 LM A M 5 BB 75 87
  • 66. A ) 8* (* 1 6 8 CB 5* / 1 1
  • 67. 8 1 6 5 / 1 9 C 1 15 A
  • 68. 5 05 C 57 75 6 /A 85 1 75 6 / C C 57 75 05 8 57
  • 69. 5 1 / ▶ 67 ▶ 8
  • 70. F 27 78 1 77 27/ 2 ▶ A ▶ 5 5 82 / 1B 5 82 C B ▶ A / 1 A 77 27/ 2 6 5
  • 71. A C3 1 ▶ 8 / 5 67
  • 72. C 1 / Foreground 8 Background 4 6 Foreground 7 5 8A
  • 73. /1 -
  • 74. G ▶ A 6 8 5 - / 1 7
  • 75.
  • 77. 9 7 5 68 ▶ , / 1 ,
  • 81. 5 83 6 ▶ 1 / -
  • 82. / ▶
  • 85. B 8 ▶ 5 76/ F 6 155/
  • 86. ▶ 6 6 5 / 1 M / 6/ I 8 B 8 P BFB
  • 87. 5 9 ▶ ▶ 2 / 81 6 8 8 ▶ ▶ 2 / 81 6 8
  • 88. N ▶ ▶ 6 8 / -1 0 5 1 5 9 ▶
  • 89. T a ▶ // ▶ 5 a6 ▶ 8 1 ▶ 9 8 V
  • 90. ia 1 6 2 56 8 ▶ /1N N NMr ia d N c e 9 M G Ll o ▶ N uL s b ▶ N N ▶ / 256 6 2 1 55N n ▶ Nt y LA
  • 91.
  • 92. A ▶ C 5 8 /GI ▶ 4 6 - 84 - - -6 8 - 2 /- 5 8 / ▶ 4 8- 89 1 88- 8 4
  • 93. 8 ▶ 5 ▶ IF /1 / / 11 / 9A 6