論文の概要: PixelTransformer: Sample Conditioned Signal Generation

• arxiv url: http://arxiv.org/abs/2103.15813v1
• Date: Mon, 29 Mar 2021 17:59:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:18:09.169012
• Title: PixelTransformer: Sample Conditioned Signal Generation
• Title（参考訳）: Pixel Transformer: サンプル条件信号生成
• Authors: Shubham Tulsiani, Abhinav Gupta
• Abstract要約: 本研究では,スパース試料に条件付き信号の分布を推定できる生成モデルを提案する。 逐次自己回帰生成モデルとは対照的に,任意のサンプルに対する条件付けが可能であり,任意の場所に対する分散クエリに答えることができる。
• 参考スコア（独自算出の注目度）: 60.764218381636184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generative model that can infer a distribution for the underlying spatial signal conditioned on sparse samples e.g. plausible images given a few observed pixels. In contrast to sequential autoregressive generative models, our model allows conditioning on arbitrary samples and can answer distributional queries for any location. We empirically validate our approach across three image datasets and show that we learn to generate diverse and meaningful samples, with the distribution variance reducing given more observed pixels. We also show that our approach is applicable beyond images and can allow generating other types of spatial outputs e.g. polynomials, 3D shapes, and videos.
• Abstract（参考訳）: 本稿では,スパースサンプルを条件とした空間信号の分布を推定する生成モデルを提案する。 観測された数ピクセルの 可視画像です 逐次自己回帰生成モデルとは対照的に,任意のサンプルに対する条件付けが可能であり,任意の場所に対する分散クエリに答えることができる。 我々は3つの画像データセットにまたがるアプローチを実証的に検証し、より観察されたピクセルの分布の分散を減らし、多様で有意義なサンプルを生成することを学ぶことを示す。 また,本手法は画像以外にも適用可能であり,他の空間出力を生成できることを示す。 多項式、3D形状、ビデオ。

関連論文リスト

• Diffusion with Forward Models: Solving Stochastic Inverse Problems Without Direct Supervision [76.32860119056964]
  本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。 コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-06-20T17:53:00Z)
• Rethinking Polyp Segmentation from an Out-of-Distribution Perspective [37.1338930936671]
  マスク付き自己エンコーダ(再建作業で訓練された自己教師型視覚トランスフォーマー)を応用して,分布内表現を学習する。 種々の異常サンプルの潜伏分布と健常サンプルの統計値とを一致させるため,特徴空間の標準化を図り,アウト・オブ・ディストリビューションの再構築と推論を行った。 6つのベンチマークによる実験結果から,我々のモデルはセグメンテーション性能とデータセット間の一般化に優れていた。
  論文  参考訳（メタデータ） (2023-06-13T14:13:16Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• Learning to Generate 3D Representations of Building Roofs Using Single-View Aerial Imagery [68.3565370706598]
  本研究では,空撮画像から建物屋根メッシュの条件分布を学習するための新しいパイプラインを提案する。 同一物体の複数の画像を必要とする代替手法とは違って,本手法では,一つの画像のみを用いて予測を行う3次元屋根メッシュを推定できる。
  論文  参考訳（メタデータ） (2023-03-20T15:47:05Z)
• Example-Based Sampling with Diffusion Models [7.943023838493658]
  画像生成のための拡散モデルは、例から点集合を生成する方法を学ぶのに適している。 拡散モデルを用いて既存のサンプルを模した2次元点集合を観測点集合から生成する方法を提案する。 我々は、我々のアプローチの微分可能性を用いて、特性を強制する点集合を最適化する方法を実証する。
  論文  参考訳（メタデータ） (2023-02-10T08:35:17Z)
• Structured Uncertainty in the Observation Space of Variational Autoencoders [20.709989481734794]
  画像合成において、そのような分布からのサンプリングは、非相関な画素ノイズを伴う空間的非コヒーレントな結果を生成する。 低ランクパラメータ化により空間依存性を符号化する観測空間の代替モデルを提案する。 画素単位の独立分布とは対照的に,本サンプルは複数の可算出力の予測を可能にする平均値から意味論的に有意な変動を含むと考えられる。
  論文  参考訳（メタデータ） (2022-05-25T07:12:50Z)
• Generative Models as Distributions of Functions [72.2682083758999]
  生成モデルは一般的に、画像のようなグリッドのようなデータに基づいて訓練される。 本稿では,離散格子を放棄し,連続関数による個々のデータポイントのパラメータ化を行う。
  論文  参考訳（メタデータ） (2021-02-09T11:47:55Z)
• Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
  このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。 また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
  論文  参考訳（メタデータ） (2021-02-08T20:08:50Z)

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。