JP7078875B2 - 信号生成装置、信号生成学習装置、方法、及びプログラム - Google Patents
信号生成装置、信号生成学習装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP7078875B2 JP7078875B2 JP2021009845A JP2021009845A JP7078875B2 JP 7078875 B2 JP7078875 B2 JP 7078875B2 JP 2021009845 A JP2021009845 A JP 2021009845A JP 2021009845 A JP2021009845 A JP 2021009845A JP 7078875 B2 JP7078875 B2 JP 7078875B2
- Authority
- JP
- Japan
- Prior art keywords
- attribute
- neural network
- signal
- hidden variable
- hidden
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
本願は、2017年5月2日に、日本に出願された特願2017-091742号に基づき優先権を主張し、その内容をここに援用する。
上記目的を達成するために、本発明の第2の態様に係る信号生成装置は、信号における複数の特徴に対応する複数の隠れ変数を生成する変数生成部と、属性を表す隠れ変数と予め学習された少なくとも1つのニューラルネットワークに基づき、前記少なくとも1つのニューラルネットワークを用いて前記生成しようとする信号を生成する信号生成部と、を含み、前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数であり、前記少なくとも1つのニューラルネットワークは、生成器としての第1のニューラルネットワークと、判定器としての第2のニューラルネットワークとを含み、前記第1のニューラルネットワークは、前記属性を表す隠れ変数に基づいて、信号を生成し、前記第2のニューラルネットワークは、前記第1のニューラルネットワークにより生成される信号が、真の信号と同一の分布に従うか否かを識別し、前記第1及び第2のニューラルネットワークは、互いに競合する最適化条件に従って学習した。
本発明の第3の態様によれば、第1又は第2の態様の信号生成装置において、前記属性を表す隠れ変数は、前記属性に対して、複数の隠れ変数を有する。
本発明の第4の態様によれば、第1から第3の態様の何れかの信号生成装置において、前記信号生成部は、前記生成しようとする信号を生成する複数の階層を有し、前記信号生成部は、前記複数の階層にそれぞれ対応するよう設けられたニューラルネットワークを前記少なくとも1つのニューラルネットワークとして有し、前記複数の階層のうち1層目の属性を表す隠れ変数は、生成しようとする信号における属性を表す隠れ変数であり、前記複数の階層のうち2層目以降の属性を表す隠れ変数は、当該属性を表す隠れ変数に対応する層より浅い層の属性を表す隠れ変数に基づいて前記複数の隠れ変数のうち一部の隠れ変数を変換することにより得られ、前記信号生成部は、前記複数の階層それぞれの属性を表す隠れ変数を、前記複数の階層に対応する前記ニューラルネットワークに入力し、前記少なくとも1つのニューラルネットワークに基づいて前記生成しようとする信号を生成する。
本発明の第5の態様によれば、第1から第3の態様の何れかの信号生成装置において、前記変数生成部は、乱数により、前記複数の隠れ変数を生成する。
まず、本発明の第1の実施の形態における概要を説明する。
図1に例示される生成器2は、2層のネットワークからなるニューラルネットワークGを有し、入力される隠れ変数zi、zaと属性ベクトルyとに基づいて画像データG(zi,za,y)を生成する。画像の属性は、複数の隠れ変数のうち属性ベクトルyにより制約が付与される隠れ変数zaで示される。画像の個体性は、複数の隠れ変数のうち属性ベクトルyにより制約が付与されない隠れ変数ziで示される。属性ベクトルyは、少なくとも1つの属性の有無又は度合いを表す。
例えば、属性を表す隠れ変数zaが離散的である場合には、学習用変数生成部28は、式(1)に従って、属性を表す隠れ変数zaを生成する。
属性を表す隠れ変数zaが連続的である場合には、学習用変数生成部28は、式(2)に従って、属性を表す隠れ変数zaを生成する。
なお、生成方法はこれらに限定されず、ガウシアン分布やディリクレ分布など任意の分布から隠れ変数zaを生成してもよい。
ある分布から生成されたものを、別のニューラルネットワークで変換したものを隠れ変数zaとして用いてもよい。
画像データxが文字画像データである場合には、属性ベクトルyが、文字の種類(例:a,b,c,…,1,2,…)の各々の有無を表す。属性を表す隠れ変数zaが、文字の多様性を表す。例えば、属性ベクトルyが文字「4」を表す場合、文字の多様性は、「4」の大きさや形状を表す。あるいは、属性ベクトルyが、文字のフォント(例:ゴシック体、明朝体、太字、斜体字、…)の各々の有無を表し、属性を表す隠れ変数zaが、フォントの多様性を表す。例えば、属性ベクトルyがゴシック体を表す場合、フォントの多様性は、ゴシック体の種別を表す。
本発明の第1の実施の形態に係る信号生成装置100の作用について説明する。信号生成装置100は、以下に説明する学習処理ルーチンと生成処理ルーチンを実行する。
P(za’|x,y)は未知であるため、上記の情報量Iを直接求めることは困難である。そのため、上記のように近似分布Q(za’|x,y)を導入する。学習部30は、変分法を使い、情報量Iの下限を最大化するように、近似分布Q(za’|x,y)を推定するニューラルネットワークQを学習すると共に、互いに競合する最適化条件の最適化を行う。これにより、属性「メガネ」に対する複数の隠れ変数が隠れ変数za 1と隠れ変数za 2とを含み、かつ、属性「メガネ」に対する隠れ変数za 1がサングラスを表す場合に、隠れ変数za 2がサングラス以外のメガネを表現するようになる。
本発明の第2の実施の形態に係る信号生成装置の構成について説明する。第2の実施の形態に係る信号生成装置は、第1の実施の形態に係る信号生成装置と同様であるため、同一の符号を付して説明を省略する。
本発明の第2の実施の形態に係る信号生成装置100の入力部10は、学習データとして、複数の真の画像データxを受け付ける。
生成器としてのニューラルネットワークG1、G2、G3は、真の画像データxと、生成された個体性を表す隠れ変数ziと、各階層における各属性を表す隠れ変数c1、c2、c3とを入力とし、個体性を表す隠れ変数zi及び各属性を表す隠れ変数c1、c2、c3から、画像データをそれぞれ生成する。識別器として動作するニューラルネットワークD1、D2、D3は、ニューラルネットワークG1、G2、G3により生成された画像データが真の画像データと同一の分布に従うか否かをそれぞれ識別する。ニューラルネットワークQ1、Q2、Q3は、ニューラルネットワークG1、G2、G3により生成される画像データについての各属性を示す隠れ変数c1、c2’、c3’に対する分布P(c1|x)、P(c2’|x,c1)、P(c3’|x,c1,c2’)の近似分布をそれぞれ推定する。ニューラルネットワークQ1、Q2、Q3は、推定した近似分布に基づいて、各属性を表す隠れ変数c1、c2’、c3’をそれぞれ推定する。
生成器、識別器として動作する各ニューラルネットワークG1、G2、G3、D1、D2、D3は、入力部10に入力された複数の学習データに基づいて、互いに競合する最適化条件に従い学習する。同時に、ニューラルネットワークQ1、Q2、Q3は、ニューラルネットワークG1、G2、G3により生成された画像データの情報量の下限を最大化するように学習する。学習部30は、各階層のニューラルネットワークに対して学習を再帰的に繰り返し行う。学習部30における各ニューラルネットワークに、例えばCNNが用いられてもよい。
あるいは、属性ベクトルyが、建物のパーツの形状の有無を表し、属性を表す隠れ変数zaが、パーツの多様性を表す。例えば、属性ベクトルyが平らな屋根、丸い屋根及び三角形状の屋根の有無を表し、屋根がどのように平らであるかを隠れ変数zaが表す。
第2の実施の形態において、任意の階層の各属性を表す隠れ変数を学習データとして入力するときに、学習データに含まれる画像データxの一部に対して隠れ変数を付与するようにしてもよい。
各ニューラルネットワークの学習において、学習部30は、学習対象となる1つのニューラルネットワーク以外の他のニューラルネットワークのパラメータを固定して、学習対象のニューラルネットワークのパラメータを更新する。学習部30が有するニューラルネットワークそれぞれの学習は、第1及び第2の実施の形態において説明した学習と同様に、学習データ毎に繰り返し行われる。
ニューラルネットワークQ1の学習を行う際、学習部30は、予め定められた初期値を設定した隠れ変数c2、c3と、あるデータ分布から生成される隠れ変数z3、c1とに基づいて、ニューラルネットワークQ1のパラメータを更新する。ニューラルネットワークQ2の学習を行う際、学習部30は、初期値を設定した隠れ変数c3と、あるデータ分布から生成される隠れ変数z3、c1、c2とに基づいて、ニューラルネットワークQ2のパラメータを更新する。ニューラルネットワークQ3の学習を行う際、学習部30は、あるデータ分布から生成される隠れ変数z3、c1、c2、c3に基づいて、ニューラルネットワークQ3のパラメータを更新する。
属性を表す隠れ変数c2、c3に設定する初期値は、例えば、隠れ変数c2、c3が取り得る値の期待値、平均値に基づいて決定される。あるいは、隠れ変数c2、c3に含まれる変数の数に基づいて初期値を決定してもよい。ニューラルネットワークG3、D3の学習は、第2の実施の形態において説明した学習と同様である。
20 演算部
28 学習用変数生成部
30 学習部
40 ニューラルネットワーク記憶部
52 信号生成用変数生成部
56 信号生成部
90 出力部
100 信号生成装置
Claims (10)
- 信号における複数の特徴に対応する複数の隠れ変数を生成する変数生成部と、
属性を表す隠れ変数と予め学習された少なくとも1つのニューラルネットワークに基づき、前記少なくとも1つのニューラルネットワークを用いて前記生成しようとする信号を生成する信号生成部と、
を含み、
前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数である信号生成装置。 - 信号における複数の特徴に対応する複数の隠れ変数を生成する変数生成部と、
属性を表す隠れ変数と予め学習された少なくとも1つのニューラルネットワークに基づき、前記少なくとも1つのニューラルネットワークを用いて前記生成しようとする信号を生成する信号生成部と、
を含み、
前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数であり、
前記少なくとも1つのニューラルネットワークは、生成器としての第1のニューラルネットワークと、判定器としての第2のニューラルネットワークとを含み、
前記第1のニューラルネットワークは、前記属性を表す隠れ変数に基づいて、信号を生成し、
前記第2のニューラルネットワークは、前記第1のニューラルネットワークにより生成される信号が、真の信号と同一の分布に従うか否かを識別し、
前記第1及び第2のニューラルネットワークは、互いに競合する最適化条件に従って学習した、信号生成装置。 - 前記属性を表す隠れ変数は、前記属性に対して、複数の隠れ変数を有する請求項1または請求項2に記載の信号生成装置。
- 前記信号生成部は、前記生成しようとする信号を生成する複数の階層を有し、
前記信号生成部は、前記複数の階層にそれぞれ対応するよう設けられたニューラルネットワークを前記少なくとも1つのニューラルネットワークとして有し、
前記複数の階層のうち1層目の属性を表す隠れ変数は、生成しようとする信号における属性を表す隠れ変数であり、
前記複数の階層のうち2層目以降の属性を表す隠れ変数は、当該属性を表す隠れ変数に対応する層より浅い層の属性を表す隠れ変数に基づいて前記複数の隠れ変数のうち一部の隠れ変数を変換することにより得られ、
前記信号生成部は、前記複数の階層それぞれの属性を表す隠れ変数を、前記複数の階層に対応する前記ニューラルネットワークに入力し、前記少なくとも1つのニューラルネットワークに基づいて前記生成しようとする信号を生成する、
請求項1から請求項3の何れか1項記載の信号生成装置。 - 前記変数生成部は、乱数により、前記複数の隠れ変数を生成する、
請求項1から請求項4の何れか1項記載の信号生成装置。 - 信号における特徴を表す複数の隠れ変数を生成する変数生成部と、
真の信号を含む学習データと、前記複数の隠れ変数とに基づいて、信号を生成する生成器としての第1のニューラルネットワークと、前記生成器により生成される信号が前記真の信号と同一の分布に従うか否かを識別する識別器としての第2のニューラルネットワークとを互いに競合する最適化条件に従って学習させる学習部と、
を含み、
前記変数生成部は、前記信号における前記特徴のうち個体性を表す隠れ変数と、前記個体性を表す隠れ変数とは独立する隠れ変数であって前記信号における前記特徴のうち属性を表す隠れ変数とを含む前記複数の隠れ変数を生成し、
前記学習部は、属性を表す隠れ変数と前記個体性を表す隠れ変数とを前記第1のニューラルネットワークに供給し、前記第1のニューラルネットワークにより生成される信号と前記真の信号とを前記第2のニューラルネットワークに供給して、前記第1及び第2のニューラルネットワークを互いに競合する前記最適化条件に従って学習させ、
前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数である、信号生成学習装置。 - 変数生成部が、信号における複数の特徴に対応する複数の隠れ変数を生成し、
学習部が、真の信号を含む学習データと、前記複数の隠れ変数とに基づいて、信号を生成する生成器としての第1のニューラルネットワークと、前記生成器により生成される信号が前記真の信号と同一の分布に従うか否かを識別する識別器としての第2のニューラルネットワークとを互いに競合する最適化条件に従って学習させ、
前記変数生成部は、前記信号における前記特徴のうち個体性を表す隠れ変数と、前記個体性を表す隠れ変数とは独立する隠れ変数であって前記信号における前記特徴のうち属性を表す隠れ変数とを含む前記複数の隠れ変数を生成し、
前記学習部は、属性を表す隠れ変数と前記個体性を表す隠れ変数とを前記第1のニューラルネットワークに供給し、前記第1のニューラルネットワークにより生成される信号と前記真の信号とを前記第2のニューラルネットワークに供給して、前記第1及び第2のニューラルネットワークを互いに競合する前記最適化条件に従って学習させ、
前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数である、
信号生成学習方法。 - 変数生成部が、信号における複数の特徴に対応する複数の隠れ変数を生成し、
信号生成部が、属性を表す隠れ変数と予め学習された少なくとも1つのニューラルネットワークに基づき、前記少なくとも1つのニューラルネットワークを用いて前記生成しようとする信号を生成し、
前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数である信号生成方法。 - 変数生成部が、信号における複数の特徴に対応する複数の隠れ変数を生成し、
信号生成部が、属性を表す隠れ変数と予め学習された少なくとも1つのニューラルネットワークに基づき、前記少なくとも1つのニューラルネットワークを用いて前記生成しようとする信号を生成し、
前記属性を表す隠れ変数は、前記属性を表す隠れ変数が属する階層とは異なる階層の少なくとも1つの隠れ変数により1回以上変換された隠れ変数であり、
前記少なくとも1つのニューラルネットワークは、生成器としての第1のニューラルネットワークと、判定器としての第2のニューラルネットワークとを含み、
前記第1のニューラルネットワークは、前記属性を表す隠れ変数に基づいて、信号を生成し、
前記第2のニューラルネットワークは、前記第1のニューラルネットワークにより生成される信号が、真の信号と同一の分布に従うか否かを識別し、
前記第1及び第2のニューラルネットワークは、互いに競合する最適化条件に従って学習した、信号生成方法。 - コンピュータを、請求項1から請求項5に記載の信号生成装置と、請求項6に記載の信号生成学習装置とのうち何れかの装置として機能させるためのプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017091742 | 2017-05-02 | ||
JP2017091742 | 2017-05-02 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019515733A Division JP6912740B2 (ja) | 2017-05-02 | 2018-05-01 | 信号生成装置、信号生成学習装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021073594A JP2021073594A (ja) | 2021-05-13 |
JP7078875B2 true JP7078875B2 (ja) | 2022-06-01 |
Family
ID=64016637
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019515733A Active JP6912740B2 (ja) | 2017-05-02 | 2018-05-01 | 信号生成装置、信号生成学習装置、方法、及びプログラム |
JP2021009845A Active JP7078875B2 (ja) | 2017-05-02 | 2021-01-25 | 信号生成装置、信号生成学習装置、方法、及びプログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019515733A Active JP6912740B2 (ja) | 2017-05-02 | 2018-05-01 | 信号生成装置、信号生成学習装置、方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200151561A1 (ja) |
JP (2) | JP6912740B2 (ja) |
WO (1) | WO2018203550A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019032421A1 (en) * | 2017-08-07 | 2019-02-14 | Siemens Aktiengesellschaft | IMPROVED VISUAL LEARNING TECHNOLOGY MACHINE |
JP7188182B2 (ja) * | 2019-02-26 | 2022-12-13 | 日本電信電話株式会社 | データ変換学習装置、データ変換装置、方法、及びプログラム |
JP7513947B2 (ja) * | 2019-08-08 | 2024-07-10 | ブラザー工業株式会社 | 学習済みの機械学習モデル、画像データ生成装置、および、方法 |
US12033047B2 (en) * | 2020-08-12 | 2024-07-09 | International Business Machines Corporation | Non-iterative federated learning |
JP6856965B1 (ja) * | 2020-11-27 | 2021-04-14 | 株式会社ネフロック | 画像出力装置及び画像出力方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116546221A (zh) * | 2016-02-05 | 2023-08-04 | 渊慧科技有限公司 | 使用神经网络压缩图像 |
-
2018
- 2018-05-01 US US16/609,667 patent/US20200151561A1/en active Pending
- 2018-05-01 JP JP2019515733A patent/JP6912740B2/ja active Active
- 2018-05-01 WO PCT/JP2018/017409 patent/WO2018203550A1/ja active Application Filing
-
2021
- 2021-01-25 JP JP2021009845A patent/JP7078875B2/ja active Active
Non-Patent Citations (1)
Title |
---|
CHEN. X et al.,InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets,[online],2016年06月12日,pp.1-9,https://arxiv.org/abs/1606.03657,[検索日 2018.07.04] |
Also Published As
Publication number | Publication date |
---|---|
JPWO2018203550A1 (ja) | 2020-02-06 |
US20200151561A1 (en) | 2020-05-14 |
JP6912740B2 (ja) | 2021-08-04 |
WO2018203550A1 (ja) | 2018-11-08 |
JP2021073594A (ja) | 2021-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7078875B2 (ja) | 信号生成装置、信号生成学習装置、方法、及びプログラム | |
JP7144699B2 (ja) | 信号変更装置、方法、及びプログラム | |
JP6831453B2 (ja) | 信号検索装置、方法、及びプログラム | |
Krohn et al. | Deep learning illustrated: a visual, interactive guide to artificial intelligence | |
Bontrager et al. | Deep interactive evolution | |
Goodfellow | Nips 2016 tutorial: Generative adversarial networks | |
KR20200078214A (ko) | 스타일 변환을 위한 영상 처리 장치 및 방법 | |
CN113435211B (zh) | 一种结合外部知识的文本隐式情感分析方法 | |
JPWO2019022136A1 (ja) | 学習方法、学習プログラム、学習装置及び学習システム | |
KR20220004491A (ko) | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 | |
CN112257775B (zh) | 一种基于卷积神经网络和无监督语言模型的由图成诗方法 | |
JP6692272B2 (ja) | 信号調整装置、信号生成学習装置、方法、及びプログラム | |
CN115564027A (zh) | 多模态学习行为分析方法、***及存储介质 | |
CN117409109A (zh) | 图像生成方法以及图像生成的数据处理方法 | |
JP6886120B2 (ja) | 信号検索装置、方法、及びプログラム | |
CN114494783A (zh) | 一种基于动态图神经网络的预训练方法 | |
Ye et al. | A modified harmony search algorithm and its applications in weighted fuzzy production rule extraction | |
Glez-Morcillo et al. | Gaudii: An automated graphic design expert system | |
CN117237479A (zh) | 基于扩散模型的产品风格自动生成方法、装置及设备 | |
CN114581829A (zh) | 基于强化学习的连续手语识别方法、电子设备和存储介质 | |
CN115206269A (zh) | 音乐生成模型的训练方法及训练装置、存储介质、设备 | |
KR102608266B1 (ko) | 이미지 생성 장치 및 방법 | |
US20240135611A1 (en) | Neural compositing by embedding generative technologies into non-destructive document editing workflows | |
Huang | Analyzing the Emotional Characteristics of British and American Literature by Combining Semiotics and the Operational Model of Thinking | |
Lin et al. | A New Family of Generative Adversarial Nets Using Heterogeneous Noise to Model Complex Distributions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220406 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220419 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220502 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7078875 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |