論文の概要: Style is a Distribution of Features
- arxiv url: http://arxiv.org/abs/2007.13010v1
- Date: Sat, 25 Jul 2020 21:17:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 00:59:59.832886
- Title: Style is a Distribution of Features
- Title（参考訳）: スタイルは特徴の分布である
- Authors: Eddie Huang, Sahil Gupta
- Abstract要約: ニューラルスタイル転送(Neural style transfer)は、畳み込みニューラルネットワーク(CNN)を使用して、ある画像の内容を他の画像のスタイルとマージする画像生成技術である。
本稿では,特徴量分布間のワッサーシュタイン距離としてスタイル損失を再定義することにより,特徴量からスタイルを完全抽出するスタイル転送アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 2.398608007786179
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural style transfer (NST) is a powerful image generation technique that
uses a convolutional neural network (CNN) to merge the content of one image
with the style of another. Contemporary methods of NST use first or second
order statistics of the CNN's features to achieve transfers with relatively
little computational cost. However, these methods cannot fully extract the
style from the CNN's features. We present a new algorithm for style transfer
that fully extracts the style from the features by redefining the style loss as
the Wasserstein distance between the distribution of features. Thus, we set a
new standard in style transfer quality. In addition, we state two important
interpretations of NST. The first is a re-emphasis from Li et al., which states
that style is simply the distribution of features. The second states that NST
is a type of generative adversarial network (GAN) problem.
- Abstract（参考訳）: ニューラルスタイル転送(NST)は、畳み込みニューラルネットワーク(CNN)を用いて、ある画像の内容を他の画像のスタイルとマージする強力な画像生成技術である。
現代のNSTの手法では、CNNの特徴の1階または2階の統計を使い、比較的計算コストの少ない転送を実現している。
しかし、これらの手法はcnnの機能からスタイルを完全に抽出することはできない。
本稿では,特徴の分布間のワッサースタイン距離としてスタイル損失を再定義することにより,特徴からスタイルを完全抽出する新しいスタイル伝達アルゴリズムを提案する。
そこで我々は,スタイル転送品質の新しい標準を設定した。
さらに、NSTの2つの重要な解釈を述べる。
1つ目は、Li et al. による再演であり、スタイルは単に特徴の分布であると述べている。
第二に、NSTはGAN(Generative Adversarial Network)問題の一種である。
関連論文リスト
- A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive
Learning [84.8813842101747]
Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。
入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。
本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2023-03-09T04:35:00Z) - Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。
本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
論文 参考訳（メタデータ） (2022-07-24T07:41:31Z) - Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。
本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
論文 参考訳（メタデータ） (2022-05-19T13:11:24Z) - Conditional Invertible Neural Networks for Diverse Image-to-Image
Translation [33.262390365990896]
自然画像に対する多様な画像・画像翻訳の課題を解決するために,条件付き不可逆ニューラルネットワーク (cINN) を導入する。
cINNは、純粋に生成したINNモデルと制約のないフィードフォワードネットワークを結合し、条件付け画像を最大情報的特徴に効率的に前処理する。
論文 参考訳（メタデータ） (2021-05-05T15:10:37Z) - In the light of feature distributions: moment matching for Neural Style
Transfer [27.25600860698314]
スタイル転送は、ある画像のコンテンツを別の画像のグラフィカル/アーティスティックスタイルでレンダリングすることを目的としています。
この概念の現在の実装は、理論上、実用上重要な制限がある。
計算効率を保ちながら、希望するスタイルをより正確にマッチさせる新しいアプローチを提案します。
論文 参考訳（メタデータ） (2021-03-12T11:00:44Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。
本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。
私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文 参考訳（メタデータ） (2020-12-10T22:30:25Z) - Geometric Style Transfer [74.58782301514053]
幾何学的スタイルの伝達をサポートするニューラルアーキテクチャを導入する。
新しいアーキテクチャはテクスチャスタイルを転送するネットワークに先立って実行される。
ユーザーはコンテント/スタイルのペアを一般的なように入力したり、コンテント/テクスチャスタイル/幾何学スタイルのトリプルを入力できる。
論文 参考訳（メタデータ） (2020-07-10T16:33:23Z)
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。