1. Региональный прогноз осадков на основе расширения CycleGAN(arXiv)

Автор:Джэхо Чой, Юра Ким, Кван-Хо Ким, Сон-Хва Юнг, Икхюн Чо.

Выдержка: 8 августа 2022 года на центральный регион Кореи обрушился необычно сильный проливной дождь. Многие низменные районы были затоплены, поэтому движение и жизнь были сильно парализованы. Это был критический ущерб, вызванный проливным дождем всего за несколько часов. Это событие напомнило нам о необходимости более надежного регионального метода прогнозирования осадков. В этой статье мы привносим циклически согласованные состязательные сети (CycleGAN) в область временных рядов и расширяем ее, чтобы предложить надежную модель для прогнозирования текущей погоды в регионе. Предлагаемая модель генерирует составные гибридные данные об осадках на поверхности (HSR) через 10 минут после настоящего времени. Также предложенная модель обеспечивает надежный прогноз до 2 часов с постепенным увеличением временных шагов обучения. В отличие от существующих сложных методов прогнозирования текущей погоды, предлагаемая модель не использует рекуррентные нейронные сети (RNN) и обеспечивает временную причинность посредством последовательного обучения в цикле. Наш метод прогнозирования текущей погоды превосходит по эффективности сверточную долговременную кратковременную память (ConvLSTM), основанную на RNN. Кроме того, мы демонстрируем превосходство нашего подхода посредством качественных и количественных сравнений с MAPLE, алгоритмом МакГилла для прогнозирования текущей погоды с помощью лагранжевой экстраполяции, одной из моделей реального количественного прогноза осадков (QPF).

2.CycleGANWM: метод водяных знаков CycleGAN для подтверждения права собственности(arXiv)

Автор: Дундонг Линь, Бенедетта Тонди, Бин Ли, Мауро Барни

Аннотация: В связи с распространением и широким использованием глубоких нейронных сетей (DNN) защита их прав на интеллектуальную собственность (IPR) становится все более важной. В этой статье представлен новый модельный метод водяных знаков для сетей неконтролируемого преобразования изображений в изображения (I2IT), названный CycleGAN, который использует визуальное качество перевода изображений и встраивание водяных знаков. В этом методе сначала обучается декодер водяных знаков. Затем декодер замораживается и используется для извлечения битов водяных знаков при обучении модели водяных знаков CycleGAN. Водяные знаки CycleGAN (CycleGANWM) обучены специальным функциям потерь и оптимизированы для обеспечения хорошей производительности как при выполнении задачи I2IT, так и при внедрении водяных знаков. Для проверки водяного знака в этой работе используется тест статистической значимости, чтобы определить принадлежность модели на основе извлечения битов водяного знака. Мы оцениваем устойчивость модели к постобработке изображений и улучшаем ее путем точной настройки модели с добавлением увеличения данных на выходных изображениях перед извлечением битов водяных знаков. Мы также проводим атаку на суррогатную модель при доступе к модели через черный ящик. Экспериментальные результаты доказывают, что предложенный метод эффективен и устойчив к некоторой постобработке изображений, а также способен противостоять атаке суррогатной модели.

3.Непараллельное высококачественное аудио с суперразрешением с адаптацией домена и циклом передискретизацииGAN(arXiv)

Автор: Рео Ёнеяма, Рюичи Ямамото, Кэнтаро Татибана.

Аннотация. Нейронные модели аудио сверхвысокого разрешения обычно обучаются на парах аудиосигналов низкого и высокого разрешения. Хотя эти методы обеспечивают высокоточное сверхразрешение, если акустические характеристики входных данных аналогичны характеристикам обучающих данных, проблемы остаются: модели страдают от ухудшения качества для данных вне предметной области, а для обучения требуются парные данные. . Чтобы решить эти проблемы, мы предлагаем Dual-CycleGAN, метод высококачественного звука со сверхвысоким разрешением, который может использовать непарные данные на основе двух связанных циклически согласованных генеративно-состязательных сетей (CycleGAN). Наш метод разлагает метод сверхвысокого разрешения на процессы адаптации домена и передискретизации для обработки акустического несоответствия в непарных сигналах низкого и высокого разрешения. Затем два процесса совместно оптимизируются в рамках CycleGAN. Экспериментальные результаты подтверждают, что предлагаемый метод значительно превосходит традиционные методы, когда парные данные недоступны. Примеры кода и аудио доступны на https://chomeyama.github.io/DualCycleGAN-Demo/.