論文の概要: Image Completion via Inference in Deep Generative Models
- arxiv url: http://arxiv.org/abs/2102.12037v1
- Date: Wed, 24 Feb 2021 02:59:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 13:45:52.762851
- Title: Image Completion via Inference in Deep Generative Models
- Title（参考訳）: 深部生成モデルにおける推論による画像補完
- Authors: William Harvey, Saeid Naderiparizi, Frank Wood
- Abstract要約: 画像生成モデルにおける償却推論の観点から画像完成を検討する。
CIFAR-10およびFFHQ-256データセットの先行技術と比較して、優れたサンプル品質と多様性を示します。
- 参考スコア（独自算出の注目度）: 16.99337751292915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider image completion from the perspective of amortized inference in
an image generative model. We leverage recent state of the art variational
auto-encoder architectures that have been shown to produce photo-realistic
natural images at non-trivial resolutions. Through amortized inference in such
a model we can train neural artifacts that produce diverse, realistic image
completions even when the vast majority of an image is missing. We demonstrate
superior sample quality and diversity compared to prior art on the CIFAR-10 and
FFHQ-256 datasets. We conclude by describing and demonstrating an application
that requires an in-painting model with the capabilities ours exhibits: the use
of Bayesian optimal experimental design to select the most informative sequence
of small field of view x-rays for chest pathology detection.
- Abstract（参考訳）: 画像生成モデルにおける償却推論の観点から画像完成を検討する。
非自明な解像度でフォトリアリスティックな自然画像を生成することが示されているアート変分オートエンコーダアーキテクチャの最近の状況を活用する。
このようなモデルでの償却推論を通じて、画像の大半が欠落している場合でも、多様な現実的な画像補完を生成するニューラルネットワークアーティファクトを訓練することができる。
CIFAR-10およびFFHQ-256データセットの先行技術と比較して、優れたサンプル品質と多様性を示します。
ベイズ最適実験設計(bayesian optimal experimental design)を用いて、胸部病理検出のための小さな視野x線の最も有益なシーケンスを選択する。
関連論文リスト
- PrefPaint: Aligning Image Inpainting Diffusion Model with Human Preference [62.72779589895124]
画像インペイントのための拡散モデルと人間の審美基準との整合性を、強化学習フレームワークを用いて初めて試みる。
我々は、人間の好みを付加した約51,000枚の画像からなるデータセットで報酬モデルを訓練する。
画像拡張や3次元再構成などの下流タスクの塗装比較実験により, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-10-29T11:49:39Z) - Let Real Images be as a Judger, Spotting Fake Images Synthesized with Generative Models [16.900526163168827]
異なる生成モデルにより合成された偽画像のアーティファクトパターンについて検討した。
本稿では,実画像でのみ共有される自然なトレースを,検出器内の新たな予測対象として採用する。
提案手法では,96.1%のmAPがベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2024-03-25T07:58:58Z) - Enhancing Diffusion Models with 3D Perspective Geometry Constraints [10.21800236402905]
本稿では、視点精度を向上させるために、生成モデルのトレーニングプロセスに新しい幾何学的制約を導入する。
この制約でトレーニングされたモデルの出力は、どちらもよりリアルに見え、生成した画像に基づいてトレーニングされた下流モデルの性能が向上することを示す。
論文 参考訳（メタデータ） (2023-12-01T21:56:43Z) - ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with
Diffusion Models [126.35334860896373]
本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。
注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。
本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
論文 参考訳（メタデータ） (2023-10-11T17:52:39Z) - Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from
Multi-view Images [79.39247661907397]
本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。
具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
論文 参考訳（メタデータ） (2023-03-24T03:32:02Z) - DiVAE: Photorealistic Images Synthesis with Denoising Diffusion Decoder [73.1010640692609]
本稿では,拡散デコーダ(DiVAE)を用いたVQ-VAEアーキテクチャモデルを提案する。
我々のモデルは最先端の成果を達成し、さらに多くのフォトリアリスティックな画像を生成する。
論文 参考訳（メタデータ） (2022-06-01T10:39:12Z) - InvGAN: Invertible GANs [88.58338626299837]
InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。
これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
論文 参考訳（メタデータ） (2021-12-08T21:39:00Z) - Perceptual Image Restoration with High-Quality Priori and Degradation
Learning [28.93489249639681]
本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。
同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
論文 参考訳（メタデータ） (2021-03-04T13:19:50Z)
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。