論文の概要: Set Distribution Networks: a Generative Model for Sets of Images

• arxiv url: http://arxiv.org/abs/2006.10705v1
• Date: Thu, 18 Jun 2020 17:38:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 09:49:50.253009
• Title: Set Distribution Networks: a Generative Model for Sets of Images
• Title（参考訳）: 集合分布ネットワーク:画像集合の生成モデル
• Authors: Shuangfei Zhai, Walter Talbott, Miguel Angel Bautista, Carlos Guestrin, Josh M. Susskind
• Abstract要約: 自動エンコードと自由にセットを生成するフレームワークであるSet Distribution Networks(SDN)を紹介する。 ベンチマークデータセットの入力の健全な属性を保存するイメージセットを,SDNが再構築可能であることを示す。 本稿では,SDN が生成した画像の品質を評価する新しい手法として,事前学習した3次元再構成ネットワークと顔検証ネットワークを用いて,SDN が生成した画像集合について検討する。
• 参考スコア（独自算出の注目度）: 22.405670277339023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images with shared characteristics naturally form sets. For example, in a face verification benchmark, images of the same identity form sets. For generative models, the standard way of dealing with sets is to represent each as a one hot vector, and learn a conditional generative model $p(\mathbf{x}|\mathbf{y})$. This representation assumes that the number of sets is limited and known, such that the distribution over sets reduces to a simple multinomial distribution. In contrast, we study a more generic problem where the number of sets is large and unknown. We introduce Set Distribution Networks (SDNs), a novel framework that learns to autoencode and freely generate sets. We achieve this by jointly learning a set encoder, set discriminator, set generator, and set prior. We show that SDNs are able to reconstruct image sets that preserve salient attributes of the inputs in our benchmark datasets, and are also able to generate novel objects/identities. We examine the sets generated by SDN with a pre-trained 3D reconstruction network and a face verification network, respectively, as a novel way to evaluate the quality of generated sets of images.
• Abstract（参考訳）: 共有特性を持つ画像は自然に集合を形成する。 例えば、顔認証ベンチマークでは、同じアイデンティティフォームセットのイメージが使用される。 生成モデルの場合、集合を扱う標準的な方法は、それぞれを一つのホットベクトルとして表現し、条件付き生成モデル $p(\mathbf{x}|\mathbf{y})$ を学ぶことである。 この表現は、集合の数が制限され、既知であると仮定し、集合上の分布が単純多項分布に還元される。 対照的に、集合の数が大きくて未知であるより一般的な問題を研究している。 本稿では,集合を自動エンコードし,自由に生成できる新しいフレームワーク set distribution network (sdns) を紹介する。 我々は、セットエンコーダ、セット判別器、セットジェネレータ、セットプリエントを共同で学習することでこれを達成する。 SDNは、ベンチマークデータセット内の入力の健全な属性を保存するイメージセットを再構築でき、また、新しいオブジェクト/IDを生成することができることを示す。 本研究では, sdn が生成する3次元再構成ネットワークと顔認証ネットワークを用いて, 生成した画像群の品質評価のための新しい手法について検討する。

関連論文リスト

• FaceCoresetNet: Differentiable Coresets for Face Set Recognition [16.879093388124964]
  識別ディスクリプタは、所定の集合からの情報を集約する際の2つのポリシーのバランスをとる。 この作業は、微分可能なコアセット選択問題として、顔セット表現をフレーム化する。 我々は、IJB-BおよびIJB-Cデータセットに顔認証を設定するために、新しいSOTAを設定した。
  論文  参考訳（メタデータ） (2023-08-27T11:38:42Z)
• Using a Conditional Generative Adversarial Network to Control the Statistical Characteristics of Generated Images for IACT Data Analysis [55.41644538483948]
  画像のプロパティの値に応じて、画像を複数のクラスに分割し、新しい画像を生成する際に必要なクラスを指定する。 大気圧チェレンコフ望遠鏡(IACT)の画像の場合、重要な点は全画像ピクセル(画像サイズ)の明るさである。 我々は,TAIGA-IACT実験で得られた画像と類似した画像を生成するために,cGAN技術を使用した。
  論文  参考訳（メタデータ） (2022-11-28T22:30:33Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Generative Adversarial Nets: Can we generate a new dataset based on only one training set? [16.3460693863947]
  GAN(Generative Adversarial Network)は、Goodfellowらによって設計された機械学習フレームワークのクラスである。 GANはトレーニングセットと同じ分布から新しいサンプルを生成する。 本研究では、トレーニングセットとは異なる分布を持つ新しいデータセットを作成することを目的としている。
  論文  参考訳（メタデータ） (2022-10-12T08:22:12Z)
• Collaging Class-specific GANs for Semantic Image Synthesis [68.87294033259417]
  本稿では,高分解能なセマンティック画像合成のための新しい手法を提案する。 1つのベースイメージジェネレータと複数のクラス固有のジェネレータで構成される。 実験により,本手法は高解像度で高品質な画像を生成することができることが示された。
  論文  参考訳（メタデータ） (2021-10-08T17:46:56Z)
• Top-N: Equivariant set and graph generation without exchangeability [61.24699600833916]
  集合やグラフ上の分布の前にベクトル形状をマッピングするワンショット確率デコーダを考える。 これらの機能は、可変オートエンコーダ(VAE)、生成逆数ネットワーク(GAN)、正規化フローに統合することができる。 Top-nは、トレーニング可能な参照セットから最も関連性の高いポイントを選択することを学ぶ、決定論的で非交換可能なセット生成メカニズムである。
  論文  参考訳（メタデータ） (2021-10-05T14:51:19Z)
• Generate High Resolution Images With Generative Variational Autoencoder [0.0]
  本稿では,高解像度画像を生成する新しいニューラルネットワークを提案する。 エンコーダをそのまま使用しながら,VAEのデコーダを識別器に置き換える。 我々は、MNIST、LSUN、CelebAの3つの異なるデータセットでネットワークを評価した。
  論文  参考訳（メタデータ） (2020-08-12T20:15:34Z)
• Conditional Set Generation with Transformers [15.315473956458227]
  集合は、一意な要素の無秩序な集合である。 多くの機械学習モデルは暗黙的または明示的な順序を課す集合を生成する。 別の解決策は、順序付けを指定しない置換同変集合生成器を使用することである。 本稿では,TSPN(Transformer Set Prediction Network)を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:52:27Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)
• Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
  本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。 未知の置換と基数を持つ集合を予測するための新しい手法を提案する。 関連視覚問題に対する集合定式化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-01-30T01:52:07Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。