論文の概要: Random Network Distillation as a Diversity Metric for Both Image and Text Generation

• arxiv url: http://arxiv.org/abs/2010.06715v1
• Date: Tue, 13 Oct 2020 22:03:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 22:37:16.037175
• Title: Random Network Distillation as a Diversity Metric for Both Image and Text Generation
• Title（参考訳）: 画像およびテキスト生成の多様性指標としてのランダムネットワーク蒸留
• Authors: Liam Fowl, Micah Goldblum, Arjun Gupta, Amr Sharaf, Tom Goldstein
• Abstract要約: 我々は、どんな種類のデータにも、どんな種類のデータにも、自然にも適用できる新しい多様性指標を開発した。 私たちはこのメトリクスを画像とテキストの両方で検証し、デプロイします。
• 参考スコア（独自算出の注目度）: 62.13444904851029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models are increasingly able to produce remarkably high quality images and text. The community has developed numerous evaluation metrics for comparing generative models. However, these metrics do not effectively quantify data diversity. We develop a new diversity metric that can readily be applied to data, both synthetic and natural, of any type. Our method employs random network distillation, a technique introduced in reinforcement learning. We validate and deploy this metric on both images and text. We further explore diversity in few-shot image generation, a setting which was previously difficult to evaluate.
• Abstract（参考訳）: 生成モデルは、驚くほど高品質な画像やテキストを生成できるようになっている。 コミュニティは生成モデルを比較するための多くの評価指標を開発した。 しかし、これらの指標はデータの多様性を効果的に定量化しない。 我々は,任意のタイプのデータに対して,合成データと自然データの両方に容易に適用可能な,新たな多様性指標を開発した。 本手法は、強化学習で導入されたランダムネットワーク蒸留を用いる。 このメトリクスを画像とテキストの両方で検証し、デプロイします。 また,これまで評価が困難であった画像生成の多様性についても検討した。

関連論文リスト

• Image Generation Diversity Issues and How to Tame Them [8.858030256056095]
  生成メソッドは、実際のデータとほとんど区別できない出力を生成するが、多くの場合、データの完全なキャプチャに失敗する。 本稿では、生成モデルにおける現在の多様性の欠如と、これを測定するための共通指標の欠如に留意する。 画像検索問題として多様性をフレーミングすることでこれを実現し、合成データを用いて実画像の検索回数をクエリとして測定する。
  論文  参考訳（メタデータ） (2024-11-25T08:00:21Z)
• GRADE: Quantifying Sample Diversity in Text-to-Image Models [66.12068246962762]
  本稿では,サンプルの多様性を定量化する手法であるGRADE: Granular Attribute Diversity Evaluationを提案する。 400のコンセプト属性ペアを用いて12のT2Iモデルの全体的な多様性を測定し、すべてのモデルが限定的な変動を示すことを示した。 我々の研究は、サンプルの多様性を測定するための現代的で意味論的に駆動されたアプローチを提案し、T2Iモデルによる出力の驚くべき均一性を強調している。
  論文  参考訳（メタデータ） (2024-10-29T23:10:28Z)
• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Instruct-Imagen: Image Generation with Multi-modal Instruction [90.04481955523514]
  Instruct-imagenは、不均一な画像生成タスクに取り組み、目に見えないタスクを一般化するモデルである。 画像生成のための*multi-modal instruction*を導入する。 画像生成データセットの人間による評価では、インストラクション・イメージはドメイン内の以前のタスク固有のモデルと一致するか、超えている。
  論文  参考訳（メタデータ） (2024-01-03T19:31:58Z)
• Diverse Diffusion: Enhancing Image Diversity in Text-to-Image Generation [0.0]
  画像の多様性をジェンダーや民族を超えて向上させる方法であるDiverse Diffusionを紹介した。 私たちのアプローチは、より包括的で代表的なAI生成アートの作成に寄与します。
  論文  参考訳（メタデータ） (2023-10-19T08:48:23Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Effective Data Augmentation With Diffusion Models [65.09758931804478]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)
• Rarity Score : A New Metric to Evaluate the Uncommonness of Synthesized Images [32.94581354719927]
  そこで我々は,各画像の放射率を測定するために,新しい評価基準である「放射率スコア」を提案する。 コードは、研究コミュニティのためにオンラインで公開されます。
  論文  参考訳（メタデータ） (2022-06-17T05:16:16Z)
• Implicit Data Augmentation Using Feature Interpolation for Diversified Low-Shot Image Generation [11.4559888429977]
  生成モデルのトレーニングは、低データ設定で容易に発散することができる。 そこで本研究では,安定したトレーニングと多様なサンプルの合成を容易にする,新しい暗黙的データ拡張手法を提案する。
  論文  参考訳（メタデータ） (2021-12-04T23:55:46Z)

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。