論文の概要: RG-Flow: A hierarchical and explainable flow model based on
renormalization group and sparse prior
- arxiv url: http://arxiv.org/abs/2010.00029v5
- Date: Mon, 15 Aug 2022 09:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 22:17:01.472798
- Title: RG-Flow: A hierarchical and explainable flow model based on
renormalization group and sparse prior
- Title（参考訳）: RG-Flow:再正規化群とスパースに基づく階層的で説明可能なフローモデル
- Authors: Hong-Ye Hu, Dian Wu, Yi-Zhuang You, Bruno Olshausen, Yubei Chen
- Abstract要約: フローベース生成モデルは、教師なし学習アプローチの重要なクラスとなっている。
本研究では, 階層型フローベース生成モデル RG-Flow の設計のために, 再正規化群 (RG) とスパース事前分布の鍵となる概念を取り入れた。
提案手法は, エッジ長が$L$の画像の描画に$O(log L)$の複雑さを伴っているが, 従来より$O(L2)$の複雑性を持つ生成モデルに比べれば, エッジ長が$L$の画像の描画には$O(log L)$の複雑さがある。
- 参考スコア（独自算出の注目度）: 2.274915755738124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow-based generative models have become an important class of unsupervised
learning approaches. In this work, we incorporate the key ideas of
renormalization group (RG) and sparse prior distribution to design a
hierarchical flow-based generative model, RG-Flow, which can separate
information at different scales of images and extract disentangled
representations at each scale. We demonstrate our method on synthetic
multi-scale image datasets and the CelebA dataset, showing that the
disentangled representations enable semantic manipulation and style mixing of
the images at different scales. To visualize the latent representations, we
introduce receptive fields for flow-based models and show that the receptive
fields of RG-Flow are similar to those of convolutional neural networks. In
addition, we replace the widely adopted isotropic Gaussian prior distribution
by the sparse Laplacian distribution to further enhance the disentanglement of
representations. From a theoretical perspective, our proposed method has
$O(\log L)$ complexity for inpainting of an image with edge length $L$,
compared to previous generative models with $O(L^2)$ complexity.
- Abstract（参考訳）: フローベースの生成モデルは教師なし学習アプローチの重要なクラスとなっている。
本研究では,再正規化群 (rg) とスパース事前分布 (sparse prior distribution) という重要な概念を取り入れ,階層的フローベース生成モデル (rg-flow) を設計した。
提案手法は合成多スケール画像データセットとCelebAデータセットについて実証し、この不整合表現は画像の異なるスケールでのセマンティックな操作とスタイルの混合を可能にすることを示す。
潜在表現を可視化するために、フローベースモデルに対する受容場を導入し、RG-Flowの受容場が畳み込みニューラルネットワークと似ていることを示す。
さらに, 広く採用されている等方性ガウス事前分布をスパースラプラシアン分布に置き換え, 表現の不連続性をさらに高める。
理論的見地から、提案手法はエッジ長が$L$のイメージの塗り絵に$O(\log L)$の複雑さを持つが、従来の$O(L^2)$の合成モデルと比較すると、$O(L^2)$の複雑さを持つ。
関連論文リスト
- Structured Generations: Using Hierarchical Clusters to guide Diffusion Models [12.618079575423868]
本稿では拡散確率モデル(DDPM)の枠組みに階層的クラスタリングを統合する深層生成モデルであるDiffuse-TreeVAEを紹介する。
提案手法は,学習した潜在木VAE構造体の根埋め込みから新たな画像を生成し,階層的な経路を伝播し,第2段階のDDPMを用いて各データクラスタの異なる高品質な画像を洗練・生成する。
論文 参考訳（メタデータ） (2024-07-08T17:00:28Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。
セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文 参考訳（メタデータ） (2022-06-30T18:31:51Z) - Motion Estimation for Large Displacements and Deformations [7.99536002595393]
粗い微細なスキームに基づく変分光学フロー技術はスパースマッチングを補間し、色、勾配、滑らかさを条件としたエネルギーモデルを局所的に最適化する。
本稿では, この問題に対処し, 大きな変位と変形に対する変動運動推定フレームワークであるHybridFlowを提案する。
論文 参考訳（メタデータ） (2022-06-24T18:53:22Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳（メタデータ） (2022-03-21T14:53:57Z) - Self-Supervised Graph Representation Learning via Topology
Transformations [61.870882736758624]
本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。
実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-05-25T06:11:03Z) - Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。
我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。
我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
論文 参考訳（メタデータ） (2020-04-08T09:07:11Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。