論文の概要: Uncertainty-aware Generalized Adaptive CycleGAN

• arxiv url: http://arxiv.org/abs/2102.11747v1
• Date: Tue, 23 Feb 2021 15:22:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 09:31:43.814402
• Title: Uncertainty-aware Generalized Adaptive CycleGAN
• Title（参考訳）: 不確実性認識一般化適応サイクルGAN
• Authors: Uddeshya Upadhyay, Yanbei Chen, Zeynep Akata
• Abstract要約: unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。 既存の手法はしばしば、外れ値への堅牢性や予測不確実性を明示的にモデル化せずに決定論的マッピングを学習する。 Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。
• 参考スコア（独自算出の注目度）: 44.34422859532988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unpaired image-to-image translation refers to learning inter-image-domain mapping in an unsupervised manner. Existing methods often learn deterministic mappings without explicitly modelling the robustness to outliers or predictive uncertainty, leading to performance degradation when encountering unseen out-of-distribution (OOD) patterns at test time. To address this limitation, we propose a novel probabilistic method called Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC), which models the per-pixel residual by generalized Gaussian distribution, capable of modelling heavy-tailed distributions. We compare our model with a wide variety of state-of-the-art methods on two challenging tasks: unpaired image denoising in the natural image and unpaired modality prorogation in medical image domains. Experimental results demonstrate that our model offers superior image generation quality compared to recent methods in terms of quantitative metrics such as signal-to-noise ratio and structural similarity. Our model also exhibits stronger robustness towards OOD test data.
• Abstract（参考訳）: unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。 既存のメソッドは、アウトプライヤへの堅牢性や予測不確実性を明示的にモデル化することなく、決定論的なマッピングを学習することが多く、テスト時に未確認の分散(OOD)パターンに遭遇するとパフォーマンスが低下する。 そこで本研究では,一般ガウス分布によって残存する画素をモデル化し,重尾分布をモデル化できる,Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。 自然画像における不対画像のノイズ除去と医療画像領域における不対モダリティプロロゲーションの2つの課題について,本モデルと最先端の手法を比較した。 実験結果から, 信号対雑音比や構造的類似度などの定量的指標において, 最近の手法に比べ, 優れた画像生成品質が得られた。 また,OODテストデータに対する強い堅牢性を示す。

関連論文リスト

• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  拡散モデルは、大規模な生成画像モデルの分野を支配してきた。 本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Ctrl-U: Robust Conditional Image Generation via Uncertainty-aware Reward Modeling [18.93897922183304]
  本稿では,ユーザの指示に従って画像が合成される条件付き画像生成の課題に焦点をあてる。 報酬モデルからの不正確なフィードバックの悪影響を低減するために,不確実性を考慮した報酬モデルCtrl-Uを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:43:51Z)
• Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
  本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。 提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
  論文  参考訳（メタデータ） (2023-03-23T12:48:47Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Robustness via Uncertainty-aware Cycle Consistency [44.34422859532988]
  非ペア画像-画像間の変換とは、対応する画像対を使わずに画像間マッピングを学習することを指す。 既存の手法は、外乱や予測の不確実性にロバスト性を明示的にモデル化することなく決定論的マッピングを学習する。 不確実性を考慮した一般化適応サイクル一貫性(UGAC)に基づく新しい確率的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T15:33:21Z)
• Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement [3.222802562733787]
  条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。 本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。 医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
  論文  参考訳（メタデータ） (2021-10-07T11:29:03Z)
• Understanding the Intrinsic Robustness of Image Distributions using Conditional Generative Models [87.00072607024026]
  本稿では,2つの画像ベンチマークの内在的堅牢性について,$ell$摂動下で検討する。 我々は、我々の理論によって示唆されるロバスト性限界と現在の最先端ロバストモデルによって達成される対角的ロバスト性の間に大きなギャップが存在することを示す。
  論文  参考訳（メタデータ） (2020-03-01T01:45:04Z)

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。