Fugu-MT 論文翻訳(概要): Unsupervised Latent Space Translation Network

論文の概要: Unsupervised Latent Space Translation Network

arxiv url: http://arxiv.org/abs/2003.09149v1
Date: Fri, 20 Mar 2020 08:41:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 21:48:48.007340
Title: Unsupervised Latent Space Translation Network
Title（参考訳）: 教師なし潜在空間翻訳ネットワーク
Authors: Magda Friedjungov\'a, Daniel Va\v{s}ata, Tom\'a\v{s} Chobola, Marcel Ji\v{r}ina
Abstract要約: 主な欠点を取り除くのに役立つUNITフレームワークの強化について述べる。 MNISTとUSPSドメイン適応タスクでは、このアプローチは競合するアプローチよりも大幅に優れている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One task that is often discussed in a computer vision is the mapping of an image from one domain to a corresponding image in another domain known as image-to-image translation. Currently there are several approaches solving this task. In this paper, we present an enhancement of the UNIT framework that aids in removing its main drawbacks. More specifically, we introduce an additional adversarial discriminator on the latent representation used instead of VAE, which enforces the latent space distributions of both domains to be similar. On MNIST and USPS domain adaptation tasks, this approach greatly outperforms competing approaches.
Abstract（参考訳）: コンピュータビジョンでしばしば議論されるタスクの1つは、ある領域から別の領域の対応する画像への画像変換と呼ばれるマッピングである。現在、この課題を解決するいくつかのアプローチがある。本稿では、その主な欠点を取り除くのに役立つUNITフレームワークの強化について述べる。より具体的には、VAEの代わりに使用される潜時表現に、両領域の潜時空間分布を類似に強制する追加の逆微分器を導入する。 MNISTとUSPSドメイン適応タスクでは、このアプローチは競合するアプローチよりも大幅に優れている。

関連論文リスト

Unsupervised Domain Adaptation for Semantic Segmentation using One-shot Image-to-Image Translation via Latent Representation Mixing [9.118706387430883]
超高解像度画像のセマンティックセグメンテーションのための新しい教師なし領域適応法を提案する。潜在コンテンツ表現をドメイン間で混合するエンコーダ・デコーダの原理に基づいて,画像から画像への変換パラダイムを提案する。都市間比較実験により,提案手法は最先端領域適応法より優れていることが示された。
論文参考訳（メタデータ） (2022-12-07T18:16:17Z)
Multi-domain Unsupervised Image-to-Image Translation with Appearance Adaptive Convolution [62.4972011636884]
本稿では,MDUIT(Multi-domain unsupervised image-to-image translation)フレームワークを提案する。我々は、分解されたコンテンツ特徴と外観適応的畳み込みを利用して、画像をターゲットの外観に変換する。提案手法は,最先端の手法と比較して,複数の領域で視覚的に多様かつ妥当な結果が得られることを示す。
論文参考訳（メタデータ） (2022-02-06T14:12:34Z)
Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
論文参考訳（メタデータ） (2021-12-04T10:25:45Z)
Scale Invariant Domain Generalization Image Recapture Detection [3.210092699356333]
これらの課題に対処するために、スケールアライメントドメイン一般化フレームワーク(SADG)を提案する。まず、画像表現分布の相違を最小限に抑えるために、対向領域判別器を利用する。最後に、大域的な関係正規化としてスケールアライメント損失を導入し、異なるスケールで同じクラスのイメージ表現を区別不能にする。
論文参考訳（メタデータ） (2021-10-07T14:32:56Z)
Learning Unsupervised Cross-domain Image-to-Image Translation Using a Shared Discriminator [2.1377923666134118]
教師なし画像画像変換は、ソースドメインから画像を変換して、ソースターゲット画像ペアを使用することなく、ターゲットドメインで画像を生成するために使用される。本稿では,2つのGAN間の1つの共有判別器を用いた新しい手法を提案する。提案手法は,注意機構を付加せずにも,注意に基づく手法と同等に動作し,同等の画質の画像を生成できることが示唆された。
論文参考訳（メタデータ） (2021-02-09T08:26:23Z)
Deep Symmetric Adaptation Network for Cross-modality Medical Image Segmentation [40.95845629932874]
監視されていないドメイン適応(UDA)手法は、クロスモダリティ医療イメージセグメンテーションタスクで有望なパフォーマンスを示しています。医療用画像セグメンテーションのためのUDAの新しいディープシンメトリーアーキテクチャを提案する。セグメンテーションサブネットワークと2つのシンメトリーソースとターゲットドメイン翻訳サブネットワークからなる。本手法は,Cardiac と BraTS のセグメンテーションタスクにおける最先端手法と比較して,顕著な利点がある。
論文参考訳（メタデータ） (2021-01-18T02:54:30Z)
Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
論文参考訳（メタデータ） (2020-06-23T19:52:23Z)
Cross-domain Correspondence Learning for Exemplar-based Image Translation [59.35767271091425]
本稿では,異なる領域の入力からフォトリアリスティックな画像を合成する,例題に基づく画像翻訳のためのフレームワークを提案する。出力は、例において意味的に対応するオブジェクトと整合したスタイル(例えば、色、テクスチャ)を持つ。本手法は画像品質の面で最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-04-12T09:10:57Z)
GMM-UNIT: Unsupervised Multi-Domain and Multi-Modal Image-to-Image Translation via Attribute Gaussian Mixture Modeling [66.50914391679375]
unsupervised image-to-image translation (UNIT) は、未経験の訓練画像を用いて、複数の視覚領域間のマッピングを学習することを目的としている。最近の研究は、複数のドメインで顕著な成功を示しているが、それらは2つの主要な制限に悩まされている。 GMM-UNITという,空間にGMMを組み込むコンテンツ属性不整合表現に基づく手法を提案する。
論文参考訳（メタデータ） (2020-03-15T10:18:56Z)
CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。