論文の概要: Tool- and Domain-Agnostic Parameterization of Style Transfer Effects Leveraging Pretrained Perceptual Metrics

• arxiv url: http://arxiv.org/abs/2105.09207v1
• Date: Wed, 19 May 2021 15:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 13:55:22.399498
• Title: Tool- and Domain-Agnostic Parameterization of Style Transfer Effects Leveraging Pretrained Perceptual Metrics
• Title（参考訳）: 事前学習された知覚指標を用いたスタイル伝達効果のツールおよびドメイン非依存パラメータ化
• Authors: Hiromu Yakura, Yuki Koyama, Masataka Goto
• Abstract要約: パラメータ値にエンドツーエンドの転送効果を転写するパラメトリック転写を提案する。 本フレームワークは,ディープラーニング技術を利用した計算設計支援を効果的に活用する。
• 参考スコア（独自算出の注目度）: 35.293166642478866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current deep learning techniques for style transfer would not be optimal for design support since their "one-shot" transfer does not fit exploratory design processes. To overcome this gap, we propose parametric transcription, which transcribes an end-to-end style transfer effect into parameter values of specific transformations available in an existing content editing tool. With this approach, users can imitate the style of a reference sample in the tool that they are familiar with and thus can easily continue further exploration by manipulating the parameters. To enable this, we introduce a framework that utilizes an existing pretrained model for style transfer to calculate a perceptual style distance to the reference sample and uses black-box optimization to find the parameters that minimize this distance. Our experiments with various third-party tools, such as Instagram and Blender, show that our framework can effectively leverage deep learning techniques for computational design support.
• Abstract（参考訳）: スタイル転送のための現在のディープラーニング技術は、"ワンショット"転送が探索設計プロセスに適合しないため、設計支援に最適ではない。 このギャップを克服するために,既存のコンテンツ編集ツールで利用可能な特定の変換のパラメータ値にエンドツーエンドスタイル転送効果を転写するパラメトリック転写を提案する。 このアプローチにより、ユーザは慣れ親しんだツールで参照サンプルのスタイルを模倣することができ、パラメータを操作することで、さらなる探索を継続することができる。 これを実現するために,既存の事前学習モデルを用いて参照サンプルに対する知覚的スタイル距離を計算するフレームワークを導入し,ブラックボックス最適化を用いて,この距離を最小化するパラメータを求める。 InstagramやBlenderなど,さまざまなサードパーティツールによる実験から,私たちのフレームワークは,ディープラーニング技術を効果的に活用して計算設計をサポートできることが分かりました。

関連論文リスト

• Parameter-Efficient and Memory-Efficient Tuning for Vision Transformer: A Disentangled Approach [87.8330887605381]
  本稿では,学習可能なパラメータをわずかに限定して,事前学習した視覚変換器を下流認識タスクに適用する方法を示す。 学習可能で軽量なモジュールを用いてタスク固有のクエリを合成する。 本手法はメモリ制約下での最先端性能を実現し,実環境における適用性を示す。
  論文  参考訳（メタデータ） (2024-07-09T15:45:04Z)
• StyleX: A Trainable Metric for X-ray Style Distances [0.8494389481969081]
  本稿では,非マッチング画像ペアのスタイル差を定量化する,新しいディープラーニングベースのメトリクスを提案する。 私たちのメトリクスの中心は、X線画像スタイルの表現を生成するエンコーダです。
  論文  参考訳（メタデータ） (2024-05-23T15:48:38Z)
• Curve-based Neural Style Transfer [0.0]
  本研究は,曲線に基づく設計スケッチに特化して設計された新しいパラメトリック・スタイル・トランスファー・フレームワークを提案する。 バイナリスケッチ変換の処理におけるニューラルスタイルの転送手法が直面する従来の課題は、パラメトリックな形状編集規則の利用によって効果的に解決される。
  論文  参考訳（メタデータ） (2023-10-03T20:49:56Z)
• Leveraging Self-Supervised Vision Transformers for Segmentation-based Transfer Function Design [11.22246304724448]
  本稿では,事前学習した視覚変換器の特徴抽出機能を活用することで,ボリュームレンダリングのための転送関数を定義する手法を提案する。 提案手法では,モデルのトレーニングを必要とせず,高速な推論が可能であり,ボリュームデータの対話的な探索が可能となる。
  論文  参考訳（メタデータ） (2023-09-04T07:29:51Z)
• Motion Style Transfer: Modular Low-Rank Adaptation for Deep Motion Forecasting [79.56014465244644]
  本稿では,新しい領域への深部動き予測モデルを効率的に適用するための伝達学習手法を提案する。 エンコーダ全体を更新する従来の微調整アプローチとは異なり、主な考え方は調整可能なパラメータの量を減らすことである。 提案するアダプタ設計であるMoSAは,いくつかの予測ベンチマークにおいて,先行手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-06T16:14:17Z)
• Towards a Unified View of Parameter-Efficient Transfer Learning [108.94786930869473]
  下流タスクにおける大規模事前学習言語モデルの微調整は、NLPにおけるデファクト学習パラダイムとなっている。 近年の研究では,少数の(外部)パラメータのみを微調整するだけで高い性能が得られるパラメータ効率の伝達学習法が提案されている。 我々は、最先端のパラメータ効率変換学習手法の設計を分解し、それらの相互接続を確立する統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:26Z)
• Progressive Encoding for Neural Optimization [92.55503085245304]
  メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。 最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
  論文  参考訳（メタデータ） (2021-04-19T08:22:55Z)
• Weakly But Deeply Supervised Occlusion-Reasoned Parametric Layouts [87.370534321618]
  複雑な道路シーンのRGBイメージをインプットとして単一の視点で捉えたエンドツーエンドのネットワークを提案し、パースペクティブ空間における閉塞性のあるレイアウトを創出する。 私たちのメソッドで必要とされる唯一の人間のアノテーションは、より安価で入手しにくいパラメトリック属性です。 私たちは、KITTIとNuScenesという2つの公開データセットのアプローチを検証し、人間の監督を大幅に低下させることで、最先端の結果を実現します。
  論文  参考訳（メタデータ） (2021-04-14T09:32:29Z)

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。