論文の概要: Collaborative Learning for Faster StyleGAN Embedding

• arxiv url: http://arxiv.org/abs/2007.01758v1
• Date: Fri, 3 Jul 2020 15:27:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:47:24.167761
• Title: Collaborative Learning for Faster StyleGAN Embedding
• Title（参考訳）: 高速スタイルガン埋め込みのための協調学習
• Authors: Shanyan Guan, Ying Tai, Bingbing Ni, Feida Zhu, Feiyue Huang, Xiaokang Yang
• Abstract要約: 本稿では,効率的な埋め込みネットワークと最適化に基づくイテレータからなる新しい協調学習フレームワークを提案する。 埋め込みネットワークを1つのフォワードパスで効率よく高品質の潜伏コードを得ることができる。
• 参考スコア（独自算出の注目度）: 127.84690280196597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The latent code of the recent popular model StyleGAN has learned disentangled representations thanks to the multi-layer style-based generator. Embedding a given image back to the latent space of StyleGAN enables wide interesting semantic image editing applications. Although previous works are able to yield impressive inversion results based on an optimization framework, which however suffers from the efficiency issue. In this work, we propose a novel collaborative learning framework that consists of an efficient embedding network and an optimization-based iterator. On one hand, with the progress of training, the embedding network gives a reasonable latent code initialization for the iterator. On the other hand, the updated latent code from the iterator in turn supervises the embedding network. In the end, high-quality latent code can be obtained efficiently with a single forward pass through our embedding network. Extensive experiments demonstrate the effectiveness and efficiency of our work.
• Abstract（参考訳）: 最近の人気モデルであるStyleGANの潜在コードは、多層スタイルベースのジェネレータのおかげで、アンタングル表現を学んだ。 与えられた画像をStyleGANの潜在空間に埋め込むことで、幅広い興味深いセマンティック画像編集アプリケーションが可能になる。 以前の作業は最適化フレームワークに基づいて印象的な反転結果を得ることができるが、効率の問題に苦しむ。 本研究では,効率的な埋め込みネットワークと最適化に基づくイテレータからなる新しい協調学習フレームワークを提案する。 一方、トレーニングの進展に伴い、組み込みネットワークは、イテレータに対して合理的な潜在コード初期化を提供する。 一方、イテレータから更新された潜在コードは、組み込みネットワークを監督する。 最後に、当社の組み込みネットワークを1回のフォワードパスで、高品質な潜在コードを効率的に得ることができます。 広範な実験は、我々の仕事の有効性と効率を示す。

関連論文リスト

• Feather: An Elegant Solution to Effective DNN Sparsification [26.621226121259372]
  Featherは強力なStraight-Through Estimatorをコアとして活用した効率的なスパーストレーニングモジュールである。 ResNet-50アーキテクチャを使って最先端のTop-1検証精度を実現する。
  論文  参考訳（メタデータ） (2023-10-03T21:37:13Z)
• Expediting Building Footprint Extraction from High-resolution Remote Sensing Images via progressive lenient supervision [38.46970858582502]
  リモートセンシング画像からのフットプリントのセグメンテーションは、モデル転送の有効性によって妨げられている。 学習効率と効率性を高めるために,BFSeg と表記される効率的なフレームワークを提案する。 具体的には、高密度に接続された粗大な特徴核融合デコーダネットワークで、スケールをまたいで簡単に高速な特徴核融合を容易にする。
  論文  参考訳（メタデータ） (2023-07-23T03:55:13Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• Layer Collaboration in the Forward-Forward Algorithm [28.856139738073626]
  フォワードフォワードアルゴリズムにおける層間協調について検討する。 ネットワーク内の情報の流れを考慮した場合, フォワードアルゴリズムの現在のバージョンが最適であることを示す。 ネットワーク構造をよりよく活用するために,レイヤコラボレーションをサポートする改良版を提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:12:54Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• CondenseNet V2: Sparse Feature Reactivation for Deep Networks [87.38447745642479]
  高密度接続によるディープネットワークの機能再利用は、高い計算効率を達成する効果的な方法である。 スパース機能再活性化(SFR)と呼ばれる代替アプローチを提案し、再利用機能の有用性を積極的に高めることを目指しています。 提案手法は画像分類(ImageNet, CIFAR)とオブジェクト検出(MSCOCO)において,理論的効率と実用的速度の両面で有望な性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-04-09T14:12:43Z)
• Keep the Gradients Flowing: Using Gradient Flow to Study Sparse Network Optimization [16.85167651136133]
  スパースネットワークのトレーニングについて、より広い視点で考察し、スパースモデルにおける正規化、最適化、アーキテクチャ選択の役割について考察する。 アーキテクチャ設計とトレーニング体制の側面を再考することにより,スパースネットワーク内の勾配流を改善することができることを示す。
  論文  参考訳（メタデータ） (2021-02-02T18:40:26Z)
• EfficientFCN: Holistically-guided Decoding for Semantic Segmentation [49.27021844132522]
  最先端セマンティックセマンティックセグメンテーションアルゴリズムは主に拡張されたFully Convolutional Networks (DilatedFCN)に基づいている 本稿では,拡張畳み込みのないイメージネット事前学習ネットワークをバックボーンとする,効率的なFCNを提案する。 このようなフレームワークは、計算コストの1/3しか持たない最先端の手法に比べて、同等またはそれ以上の性能を達成する。
  論文  参考訳（メタデータ） (2020-08-24T14:48:23Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。