論文の概要: Diversified Patch-based Style Transfer with Shifted Style Normalization
- arxiv url: http://arxiv.org/abs/2101.06381v1
- Date: Sat, 16 Jan 2021 06:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 09:12:30.605972
- Title: Diversified Patch-based Style Transfer with Shifted Style Normalization
- Title（参考訳）: シフトスタイル正規化によるパッチベーススタイル転送の多様化
- Authors: Zhizhong Wang, Lei Zhao, Haibo Chen, Zhiwen Zuo, Ailin Li, Wei Xing,
Dongming Lu
- Abstract要約: グラムベースとパッチベースのアプローチは、イメージスタイル転送の重要な2つの研究分野である。
本稿では、パッチベースのスタイル転送のコアスタイルスワッピングプロセスについて検討し、それを多様化する方法を検討する。
注目すべきは、シフトスタイル正規化(SSN)と呼ばれる操作で、既存のパッチベースのメソッドが任意のスタイルに対してさまざまな結果を生成するための、最も効率的かつ効率的な方法である。
- 参考スコア（独自算出の注目度）: 16.41438144343516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gram-based and patch-based approaches are two important research lines of
image style transfer. Recent diversified Gram-based methods have been able to
produce multiple and diverse reasonable solutions for the same content and
style inputs. However, as another popular research interest, the diversity of
patch-based methods remains challenging due to the stereotyped style swapping
process based on nearest patch matching. To resolve this dilemma, in this
paper, we dive into the core style swapping process of patch-based style
transfer and explore possible ways to diversify it. What stands out is an
operation called shifted style normalization (SSN), the most effective and
efficient way to empower existing patch-based methods to generate diverse
results for arbitrary styles. The key insight is to use an important intuition
that neural patches with higher activation values could contribute more to
diversity. Theoretical analyses and extensive experiments are conducted to
demonstrate the effectiveness of our method, and compared with other possible
options and state-of-the-art algorithms, it shows remarkable superiority in
both diversity and efficiency.
- Abstract（参考訳）: グラムベースとパッチベースのアプローチは、イメージスタイル転送の重要な2つの研究分野である。
最近の多角化グラムベースの手法は、同じコンテンツやスタイル入力に対して、多様で多様な合理的なソリューションを作り出すことができる。
しかし,パッチベースの手法の多様性は,最寄りのパッチマッチングに基づくステレオタイプ方式のスワップ処理により依然として困難である。
このジレンマを解決するために,本稿では,パッチベースのスタイル転送のコアスタイルスワッピングプロセスについて検討し,その多様化の可能性について検討する。
注目すべきは、シフトスタイル正規化(SSN)と呼ばれる操作で、既存のパッチベースのメソッドが任意のスタイルに対して様々な結果を生成するための最も効率的かつ効率的な方法である。
重要な洞察は、高いアクティベーション値を持つ神経パッチが多様性にもっと貢献できるという、重要な直感を使用することです。
本手法の有効性を実証するために, 理論的解析と広範な実験を行い, 他の選択肢や最先端アルゴリズムと比較し, 多様性と効率において有意な優位性を示した。
関連論文リスト
- Multi-style conversion for semantic segmentation of lesions in fundus images by adversarial attacks [2.123492791776905]
本稿では,多様なデータベースにまたがるアノテーションスタイルの標準化の欠如に対処するため,逆変換と呼ばれる新しい手法を提案する。
統合データベース上で単一のアーキテクチャをトレーニングすることにより、モデルは入力に応じて自発的にセグメンテーションスタイルを変更する。
その結果,モデルの改良,不確実性推定,連続的一般化の道程として,データセットの組み合わせによる有意な質的,定量的な評価が得られた。
論文 参考訳（メタデータ） (2024-10-17T17:48:17Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。
本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。
テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2023-07-25T13:35:45Z) - Re-basin via implicit Sinkhorn differentiation [9.827002225566073]
本研究では,特定の目的に適した交通計画を得る能力を備えたシンクホーン・リベースネットワークを提案する。
現在の最先端技術とは異なり、我々の手法は微分可能であり、深層学習領域内のどんなタスクにも容易に適応できる。
論文 参考訳（メタデータ） (2022-12-22T21:25:06Z) - Domain Generalization with Correlated Style Uncertainty [4.844240089234632]
スタイル拡張は、インスタンス固有の特徴統計を利用する強力なDG手法である。
我々はCSU(Correlated Style Uncertainty)を導入し、スタイル統計空間における線形一般化の限界を超越した。
本手法の有効性は,多様なクロスドメインコンピュータビジョンと医用画像分類タスクの広範な実験を通じて確立される。
論文 参考訳（メタデータ） (2022-12-20T01:59:27Z) - StyleSwap: Style-Based Generator Empowers Robust Face Swapping [90.05775519962303]
StyleSwapという簡潔で効果的なフレームワークを紹介します。
私たちの中核となる考え方は、スタイルベースのジェネレータを活用して、高忠実で堅牢な顔交換を可能にすることです。
最小限の変更だけで、StyleGAN2アーキテクチャはソースとターゲットの両方から望まれる情報をうまく処理できる。
論文 参考訳（メタデータ） (2022-09-27T16:35:16Z) - Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。
従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。
我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2022-07-07T07:41:32Z) - 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) - A Simple Baseline for StyleGAN Inversion [133.5868210969111]
StyleGANのインバージョンは、トレーニング済みのStyleGANを実際の顔画像編集タスクに使用できるようにする上で重要な役割を果たす。
既存の最適化ベースの手法は高品質な結果を生み出すことができるが、最適化には時間がかかることが多い。
StyleGANインバージョンのための新しいフィードフォワードネットワークを提示し、効率と品質の面で大幅に改善します。
論文 参考訳（メタデータ） (2021-04-15T17:59:49Z) - Toward Robust Long Range Policy Transfer [25.549582991197855]
先行課題から学んだプリミティブポリシを組み合わせた階層モデルを提案する。
本稿では,階層構造を利用して組み合わせ関数を訓練し,多様な原始警察の集合を適応させる手法を提案する。
提案手法は,プリミティブの品質が変化すると,他の手法よりも常に優れることを示す。
論文 参考訳（メタデータ） (2021-03-04T11:17:03Z)
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。