Welcome to Ass-Net

We present a new Generative Adversarial Network Architecture for perspective augmented image samples which can effectively discriminate over physical attacks and recover contextual information through our dual-stage GAN architecture. Using a novel method known as Adversarial Sample Synthesis, our sampling strategy trains on pairs of images where we utilize an adversarial sub-sampling approach to effectively learn the divergence between the fake and real image distributions. Our methods have shown to effectively discriminating between fakes and real images while also doubling as a generative model which can perform an inferential recovery process to predict the entire context of the image. Our model requires very little hyper-parameter tuning and converges relatively fast, thus yielding a low-cost for training and saving energy. Although our results show great promise, we will not release the underlying model to consider ethics and surrounding consequences that may emerge from the misuse of this model.

新しい生成的敵対的ネットワークアーキテクチャを提示する
効果的に可能な遠近感増強画像サンプル用
物理的な攻撃を識別し、当社のデュアルステージGANアーキテクチャを介してコンテキスト情報を回復します。小説を使う
私たちのサンプリングでは、敵対的サンプル合成として知られている方法
対戦相手を利用した画像のペアに対する戦略トレーニング
間の相違を効果的に学習するためのサブサンプリングアプローチ
偽物と実際の画像の分布。私達の方法はに示した
偽物と実際の画像を効果的に識別しながら
推論を実行することができる生成モデルとして倍増
イメージの全体のコンテキストを予測するための回復プロセス。私たちの
モデルは、非常に小さなハイパーパラメータ調整を必要とし、比較的速く収束するため、トレーニングのための低コストとエネルギーの節約をもたらします。
我々の結果は大いに有望であることを示しているが、我々はそれを公表しないであろう。
倫理とその周辺の影響を考慮するための基礎となるモデル
それはこのモデルの誤用から生じるかもしれません。