論文の概要: Diverse Image Generation via Self-Conditioned GANs

• arxiv url: http://arxiv.org/abs/2006.10728v2
• Date: Thu, 10 Feb 2022 01:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 13:13:40.953018
• Title: Diverse Image Generation via Self-Conditioned GANs
• Title（参考訳）: セルフコンディショニングganによる多様な画像生成
• Authors: Steven Liu, Tongzhou Wang, David Bau, Jun-Yan Zhu, Antonio Torralba
• Abstract要約: 手動でアノテートされたクラスラベルを使わずに、クラス条件付きGANモデルを訓練する。 代わりに、我々のモデルは、識別器の特徴空間におけるクラスタリングから自動的に派生したラベルに条件付きである。 我々のクラスタリングステップは、自動的に多様なモードを発見し、それらをカバーするためにジェネレータを明示的に必要とします。
• 参考スコア（独自算出の注目度）: 56.91974064348137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a simple but effective unsupervised method for generating realistic and diverse images. We train a class-conditional GAN model without using manually annotated class labels. Instead, our model is conditional on labels automatically derived from clustering in the discriminator's feature space. Our clustering step automatically discovers diverse modes, and explicitly requires the generator to cover them. Experiments on standard mode collapse benchmarks show that our method outperforms several competing methods when addressing mode collapse. Our method also performs well on large-scale datasets such as ImageNet and Places365, improving both image diversity and standard quality metrics, compared to previous methods.
• Abstract（参考訳）: 本稿では,現実的で多様な画像を生成するための単純かつ効果的な非教師なし手法を提案する。 手動で注釈付きクラスラベルを使わずに、クラス条件付きGANモデルを訓練する。 代わりに、我々のモデルは、識別器の特徴空間におけるクラスタリングから自動的に派生したラベルに条件付きである。 私たちのクラスタリングステップは、様々なモードを自動的に検出し、ジェネレータがそれらをカバーする必要があります。 標準モード崩壊ベンチマーク実験により,本手法はモード崩壊に対処する際の競合手法よりも優れていることが示された。 また,imagenetやplaces365のような大規模データセット上では,従来の手法と比較して画像の多様性と標準品質の指標の両方を改善した。

関連論文リスト

• Gradient-Free Classifier Guidance for Diffusion Model Sampling [4.450496470631169]
  Gradient-free Guidance (GFCG) 法はクラス予測精度を一貫して改善する。 ImageNet 512$times$512では、記録的な$FD_textDINOv2$23.09を達成すると同時に、ATG (90.2%) と比較して高い分類精度 (94.3%) を達成する。
  論文  参考訳（メタデータ） (2024-11-23T00:22:21Z)
• Self-Guided Diffusion Models [53.825634944114285]
  自己誘導拡散モデルのためのフレームワークを提案する。 本手法は,様々な画像粒度の誘導信号を提供する。 単ラベルおよび複数ラベルの画像データセットに対する実験により、自己ラベル付きガイダンスは誘導なしで拡散モデルより常に優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-12T17:57:58Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• Spatially Multi-conditional Image Generation [80.04130168156792]
  本稿では,マルチ条件画像生成の問題に対処する新しいニューラルアーキテクチャを提案する。 提案手法は, 利用可能なラベルを入力トークンとして受信する, 画素単位のトランスフォーマー型アーキテクチャを用いる。 3つのベンチマークデータセットに対する実験により,提案手法の最先端および比較ベースラインに対する明らかな優位性を示した。
  論文  参考訳（メタデータ） (2022-03-25T17:57:13Z)
• Out-of-Distribution Detection without Class Labels [29.606812876314386]
  異常検出方法は、データセットの正常な振る舞いから逸脱するサンプルを識別する。 現在の方法は、複数のクラスで構成されるがラベルを持たないトレーニングデータに直面すると苦労する。 まず,自己教師付き手法を用いて画像のクラスタ化を行い,各画像のクラスタラベルを取得する。 クラスタラベルによる画像の分類作業において,事前学習した特徴を微調整する。
  論文  参考訳（メタデータ） (2021-12-14T18:58:32Z)
• Diverse Semantic Image Synthesis via Probability Distribution Modeling [103.88931623488088]
  新規な多様な意味的画像合成フレームワークを提案する。 本手法は最先端手法と比較して優れた多様性と同等の品質を実現することができる。
  論文  参考訳（メタデータ） (2021-03-11T18:59:25Z)
• Unsupervised Image Segmentation using Mutual Mean-Teaching [12.784209596867495]
  より安定した結果を得るために,Mutual Mean-Teaching (MMT) フレームワークに基づく教師なし画像分割モデルを提案する。 実験結果から,提案モデルでは様々な画像の分割が可能であり,既存の手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-16T13:13:34Z)
• Efficient Full Image Interactive Segmentation by Leveraging Within-image Appearance Similarity [39.17599924322882]
  インタラクティブなフルイメージセマンティックセマンティックセグメンテーションのための新しいアプローチを提案する。 ラベル付き画素からラベルなしピクセルへの伝搬は必ずしもクラス固有の知識を必要としない。 この観測に基づいて,複数のクラスから画素ラベルを共同で伝播する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T08:21:59Z)
• Enhancing Few-Shot Image Classification with Unlabelled Examples [18.03136114355549]
  画像分類性能を向上させるために,非ラベルインスタンスを用いたトランスダクティブなメタラーニング手法を開発した。 提案手法は,正規化ニューラルアダプティブ特徴抽出器を組み合わせることで,非ラベルデータを用いたテスト時間分類精度の向上を実現する。
  論文  参考訳（メタデータ） (2020-06-17T05:42:47Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。