Spectral Normalization for Generative Adversarial Networks
GANのdiscriminatorの学習をstabilizeするための正則化手法としてspectral normalizationを提案する。
提案手法は計算コストが小さく、既存の実装に簡単に入れ込む事が可能である。
従来手法では、discriminatorの密度比推定の学習能力が低いため、翻ってgeneratorは
Multi-modalな生成分布を学習する事が困難となる。
またモデル分布とtarget分布が互いに素である場合に、discriminatorはそれらを完全に
分離するパラメータを学習可能で、そうなると勾配がゼロになってしまうことにより
翻ってgeneratorが一切学習されなくなってしまう問題もある。
提案するspectral normalizationでは、discriminatorネットワークの各レイヤの重みに関して
そのspectral normを用いて正則化を行う事により、discriminatorのLipschitz constantを
制御する。
この手法は、従来のL2正則化などとは違い、data dependentな正則化となっている。

PointFusion: Deep Sensor Fusion for 3D Bounding Box Estimation
本論ではPointFusionと呼ばれる、画像と3d point cloudの双方を活用した3dの一般物体認識手法
を提案する。
従来のmulti-step pipelineやデータにドメイン知識による仮定を置く手法と違って、
本手法は簡単でアプリケーションに依存しない。
画像とpoint cloudはそれぞれCNNとPointNetを用いて別々に処理される。
双方から得られた特徴量は新たに提案するfusion networkにより統合される。
このfusion networkは3D bounding box及びそのconfidenceを、
3d pointsをspatial anchorとして用いる事で予測する。

One-Sided Unsupervised Domain Mapping
最近のunsupervised domain mappingの研究では、
２つのドメインにおける双方向のマッピングを同時に学習する事で
高性能なマッピングを得られる事が出来た。
本論では、片方向の学習のみを行う場合を考える。
これは、２つのサンプル間における距離を保つ事で実現する。
さらには、サンプルの異なった部分間の距離を保つ事でも実現できる
事を示した。