@techreport{oai:ipsj.ixsq.nii.ac.jp:00232710,
 author = {市村, 直幸 and Naoyuki, Ichimura},
 issue = {19},
 month = {Feb},
 note = {Vector Quantized-Variational AutoEncoders (VQ-VAEs) は近似的な恒等写像を学習する深層ニューラルネットワークである．VQ-VAEs を用いると，データセットの次元削減と表現学習を教師なしで実現できる．本論文では，画像の次元削減を目的とし，空間周波数損失（Spatial Frequency Loss:SFL）を用いた VQ-VAEs の学習方法を提案する．SFL は画像のサブバンドの L2 損失の重み付け和として定義される．そのため，重み付けにより高周波数帯の損失を強調し，再構成画像のボケを軽減できる．また，VQ-VAEs を Generative Adversarial Networks (GANs) の生成器として利用する場合，SFL の計算に使用するサブバンド画像を識別器に入力し，サブバンドの特徴の分布を用いて学習することもできる．提案方法の有効性を実験を通じ検討した．, Vector Quantized-Variational AutoEncoders (VQ-VAEs) are a type of deep neural networks designed to learn an approximate identity mapping. Using VQ-VAEs, we can perform both dimensionality reduction and representation learning of a dataset without supervision. This paper proposes a training method for VQ-VAEs with the goal of image dimensionality reduction utilizing the Spatial Frequency Loss (SFL). The SFL is defined as the weighted sum of L2 losses of image subbands. Thus, it can emphasize the losses in high-frequency bands by weighting to reduce the blurs in reconstructed images. Additionally, when using VQ-VAEs as generators in Generative Adversarial Networks (GANs), subband images used for SFL computation can be input to discriminators, enabling learning with the distribution of subband features. The effectiveness of the proposed method is examined through experiments.},
 title = {空間周波数損失を用いた\n画像次元削減のためのVQ-VAE の学習},
 year = {2024}
}