Fugu-MT 論文翻訳(概要): VQ-DRAW: A Sequential Discrete VAE

論文の概要: VQ-DRAW: A Sequential Discrete VAE

arxiv url: http://arxiv.org/abs/2003.01599v1
Date: Tue, 3 Mar 2020 15:34:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 21:57:36.145496
Title: VQ-DRAW: A Sequential Discrete VAE
Title（参考訳）: VQ-DRAW:シークエンシャルディスクVAE
Authors: Alex Nichol
Abstract要約: VQ-DRAWはデータの離散表現を学習するためのアルゴリズムである。 VQ-DRAWは,様々な共通データセットから画像の圧縮を効果的に行うことができることを示す。
参考スコア（独自算出の注目度）: 3.04585143845864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, I present VQ-DRAW, an algorithm for learning compact discrete representations of data. VQ-DRAW leverages a vector quantization effect to adapt the sequential generation scheme of DRAW to discrete latent variables. I show that VQ-DRAW can effectively learn to compress images from a variety of common datasets, as well as generate realistic samples from these datasets with no help from an autoregressive prior.
Abstract（参考訳）: 本稿では,データの離散表現を学習するアルゴリズムであるVQ-DRAWを提案する。 VQ-DRAWはベクトル量子化効果を利用して、DRAWの逐次生成スキームを離散潜在変数に適応させる。 VQ-DRAWは、様々な共通データセットから画像の圧縮を効果的に学べるだけでなく、これらのデータセットからリアルなサンプルを生成することができる。

関連論文リスト

HyperVQ: MLR-based Vector Quantization in Hyperbolic Space [56.4245885674567]
ベクトル量子化(HyperVQ)における双曲空間の利用について検討する。本稿では,高VQが識別タスクにおいてVQを上回り,高度に絡み合った潜在空間を学習しながら,再建作業や生成作業において相容れない性能を発揮することを示す。
論文参考訳（メタデータ） (2024-03-18T03:17:08Z)
VQA4CIR: Boosting Composed Image Retrieval with Visual Question Answering [68.47402250389685]
この作業は、CIRのパフォーマンスを高めるために、Visual Question Answering(VQA)の視点を提供する。結果として生じるVQA4CIRは後処理のアプローチであり、既存のCIRメソッドに直接接続することができる。実験の結果,提案手法はCIRRおよびFashion-IQデータセット上での最先端CIR法よりも優れていた。
論文参考訳（メタデータ） (2023-12-19T15:56:08Z)
LL-VQ-VAE: Learnable Lattice Vector-Quantization For Efficient Representations [0.0]
学習可能な格子ベクトル量子化を導入し、離散表現の学習に有効であることを示す。 LL-VQ-VAEと呼ばれるこの手法は、VQ-VAEのベクトル量子化層を格子ベースの離散化に置き換える。 VQ-VAEと比較して、同じトレーニング条件下での低い再構成誤差、短時間のトレーニング、一定数のパラメータで得られる。
論文参考訳（メタデータ） (2023-10-13T20:03:18Z)
Soft Convex Quantization: Revisiting Vector Quantization with Convex Optimization [40.1651740183975]
ベクトル量子化(VQ)の直接代用として,ソフト凸量子化(SCQ)を提案する。 SCQは微分凸最適化(DCO)層のように機能する。 CIFAR-10, GTSRB, LSUNデータセット上での有効性を示す。
論文参考訳（メタデータ） (2023-10-04T17:45:14Z)
APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
Sparse-view Computed Tomography (SVCT) は画像の逆問題である。近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
論文参考訳（メタデータ） (2023-07-11T14:04:12Z)
Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文参考訳（メタデータ） (2023-06-13T12:40:39Z)
SC-VAE: Sparse Coding-based Variational Autoencoder with Learned ISTA [0.6770292596301478]
そこで本研究では,ISTA (SC-VAE) を用いたスパース符号化に基づくVAEを新たに導入し,スパース符号化を可変オートエンコーダフレームワークに統合する。 2つの画像データセットに対する実験により、我々のモデルは、最先端の手法と比較して、画像再構成結果の改善を実現していることが示された。
論文参考訳（メタデータ） (2023-03-29T13:18:33Z)
Vector Quantized Wasserstein Auto-Encoder [57.29764749855623]
生成的視点から深層離散表現を学習する。我々は,コードワード列上の離散分布を付与し,コードワード列上の分布をデータ分布に伝達する決定論的デコーダを学習する。 WS 距離のクラスタリングの観点と結びつけて,より優れた,より制御可能なクラスタリングソリューションを実現するための,さらなる理論を開発しています。
論文参考訳（メタデータ） (2023-02-12T13:51:36Z)
NP-DRAW: A Non-Parametric Structured Latent Variable Modelfor Image Generation [139.8037697822064]
NP-DRAWと呼ばれる画像生成のための非パラメトリック構造化潜在変数モデルを提案する。後続のキャンバスをパーツ単位で順次描画し、それをキャンバスからデコードする。
論文参考訳（メタデータ） (2021-06-25T05:17:55Z)
Depthwise Discrete Representation Learning [2.728575246952532]
離散表現の学習の最近の進歩は、言語、オーディオ、ビジョンを含むタスクにおいて、アート結果の状態を導いている。単語、音素、形状などの潜時要因は連続ではなく離散潜時変数で表される。ベクトル量子化変分オートエンコーダ(VQVAE)は、複数の領域において顕著な結果をもたらす。
論文参考訳（メタデータ） (2020-04-11T18:57:13Z)
Hierarchical Quantized Autoencoders [3.9146761527401432]
本稿では,Vector Quantized Variencoders (VQ-VAEs) の階層構造を用いて,高い圧縮係数を求める。量子化と階層的潜在構造の組み合わせは、確率に基づく画像圧縮に役立つことを示す。得られたスキームは、高い知覚品質の画像を再構成するマルコフ変数の列を生成する。
論文参考訳（メタデータ） (2020-02-19T11:26:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。