論文の概要: Flow-based Generative Models for Learning Manifold to Manifold Mappings

• arxiv url: http://arxiv.org/abs/2012.10013v2
• Date: Mon, 1 Mar 2021 17:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:14:45.664258
• Title: Flow-based Generative Models for Learning Manifold to Manifold Mappings
• Title（参考訳）: マンフォールドマッピング学習のためのフローベース生成モデル
• Authors: Xingjian Zhen, Rudrasis Chakraborty, Liu Yang, Vikas Singh
• Abstract要約: 本稿では,フローベース生成モデルに類似した,多様体値データに対する可逆層を3種類導入する。 配向分布関数の分野の脳画像を確実にかつ正確に再構築できる有望な結果を示します。
• 参考スコア（独自算出の注目度）: 39.60406116984869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many measurements or observations in computer vision and machine learning manifest as non-Euclidean data. While recent proposals (like spherical CNN) have extended a number of deep neural network architectures to manifold-valued data, and this has often provided strong improvements in performance, the literature on generative models for manifold data is quite sparse. Partly due to this gap, there are also no modality transfer/translation models for manifold-valued data whereas numerous such methods based on generative models are available for natural images. This paper addresses this gap, motivated by a need in brain imaging -- in doing so, we expand the operating range of certain generative models (as well as generative models for modality transfer) from natural images to images with manifold-valued measurements. Our main result is the design of a two-stream version of GLOW (flow-based invertible generative models) that can synthesize information of a field of one type of manifold-valued measurements given another. On the theoretical side, we introduce three kinds of invertible layers for manifold-valued data, which are not only analogous to their functionality in flow-based generative models (e.g., GLOW) but also preserve the key benefits (determinants of the Jacobian are easy to calculate). For experiments, on a large dataset from the Human Connectome Project (HCP), we show promising results where we can reliably and accurately reconstruct brain images of a field of orientation distribution functions (ODF) from diffusion tensor images (DTI), where the latter has a $5\times$ faster acquisition time but at the expense of worse angular resolution.
• Abstract（参考訳）: コンピュータビジョンや機械学習における多くの測定や観察は、非ユークリッドデータとして表される。 最近の提案(球面cnnなど)は、多くのディープニューラルネットワークアーキテクチャを多様体値データに拡張しており、しばしばパフォーマンスが大幅に改善されているが、多様体データの生成モデルに関する文献は、かなり乏しい。 このギャップのために、多様体値データに対するモダリティ伝達/翻訳モデルも存在しないが、生成モデルに基づく多くの方法が自然画像で利用可能である。 本稿では,脳イメージングの必要性に動機づけられたこのギャップについて述べる。そのために我々は,自然画像から多様体値を持つ画像まで,特定の生成モデル(およびモダリティ伝達のための生成モデル)の動作範囲を拡大する。 我々の主な成果は、GLOW(フローベース非可逆生成モデル)の2ストリームバージョンの設計であり、これは、ある種類の多様体値の測定値のフィールドに関する情報を合成することができる。 理論的には、フローベース生成モデル(例えば、GLOW)におけるそれらの機能に類似するだけでなく、重要な利点(ヤコビ行列式は容易に計算できる)を保った多様体値データに対する3種類の可逆層を導入する。 実験では,Human Connectome Project (HCP) の大規模なデータセットを用いて,拡散テンソル画像(DTI)から方向分布関数(ODF)の脳像を確実かつ正確に再構成できる有望な結果を示す。

関連論文リスト

• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
  本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。 各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
  論文  参考訳（メタデータ） (2024-04-02T21:51:39Z)
• Trajectory-aware Principal Manifold Framework for Data Augmentation and Image Generation [5.31812036803692]
  多くの既存の手法は、ガウス分布のようなパラメトリック分布から新しいサンプルを生成するが、入力空間と特徴空間の両方でデータ多様体に沿ってサンプルを生成することにはほとんど注意を払わない。 そこで,本論文では,多様体のバックボーンを復元し,特定の軌跡に沿ってサンプルを生成するために,新規なトラジェクトリ対応主多様体フレームワークを提案する。 本研究では, よりコンパクトな多様体表現を抽出し, 分類精度を向上し, サンプル間のスムーズな変換を生成できることを示す。
  論文  参考訳（メタデータ） (2023-07-30T07:31:38Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)
• BPLF: A Bi-Parallel Linear Flow Model for Facial Expression Generation from Emotion Set Images [0.0]
  フローベース生成モデルはディープラーニング生成モデルであり、データ分布を明示的に学習することでデータを生成する能力を得る。 本稿では、感情セット画像から顔の感情を生成するための双方向線形フローモデルを構築した。 本稿では、現在の顔の感情画像の公開データセットを整理し、新しい感情データを作成し、このデータセットを通してモデルを検証した。
  論文  参考訳（メタデータ） (2021-05-27T09:37:09Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Flows for simultaneous manifold learning and density estimation [12.451050883955071]
  多様体学習フロー(M-flow)は、多様体構造を持つデータセットをより忠実に表現する。 M-フローはデータ多様体を学習し、周囲のデータ空間の標準フローよりも優れた推論を可能にする。
  論文  参考訳（メタデータ） (2020-03-31T02:07:48Z)

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。