@techreport{oai:ipsj.ixsq.nii.ac.jp:00218648,
 author = {青嶋, 雄大 and 松原, 崇 and Takehiro, Aoshima  Takashi Matsubara},
 issue = {18},
 month = {Jun},
 note = {敵対的生成ネットワーク (GAN) は非常に高精度に画像を生成することができる．また，GAN の生成画像を意味的に編集することは重要な課題の一つである．これまで GAN の潜在空間において意味的な経路を抽出し，それに沿って潜在変数を操作することで生成画像を意味的に編集する手法が提案されてきた．しかし，既存の手法では意味的な経路の抽出の精度が低かったり，複数の属性に同時に操作したときに整合性が取れないといった問題点があった．そこで本研究では潜在空間において各軸が属性の意味を持つ曲線座標系を学習する手法を提案する．提案手法は柔軟な経路の抽出と複数の属性の操作の整合性を取ることを両立している．いくつかの事前学習済み GAN を用いた実験から，提案手法が柔軟な経路の抽出により既存手法と比較してより属性ごとに分離した経路の抽出や同一性を保存した編集が可能であることを示した．, Generative Adversarial Networks (GANs) can generate a great variety of high-quality images. Despite their ability to generate images, semantic editing of GANs generated images is troublesome. To address this, recent studies proposed methods to discover semantically meaningful directions in GANs latent space. For semantic image editing, latent codes are manipulated along with discovered directions. However, these methods sometimes fail to discover such directions or cannot edit multiple attributes consistently. In this paper, we propose a method to learn semantic curvilinear coordinates in GANs latent space. The proposed method can discover a variety of semantic directions in GANs latent space and edit multiple attributes consistently. Experimental results on some pretrained GANs show that our methods can discover more disentangled semantic directions and edit images while conserving identity than a comparative method.},
 title = {GANの意味空間における属性ベクトル場の学習},
 year = {2022}
}