Fugu-MT 論文翻訳(概要): Low-Rank Subspaces in GANs

論文の概要: Low-Rank Subspaces in GANs

arxiv url: http://arxiv.org/abs/2106.04488v1
Date: Tue, 8 Jun 2021 16:16:32 GMT
ステータス: 処理完了
システム内更新日: 2021-06-09 15:52:10.004672
Title: Low-Rank Subspaces in GANs
Title（参考訳）: GANにおける低ランク部分空間
Authors: Jiapeng Zhu, Ruili Feng, Yujun Shen, Deli Zhao, Zhengjun Zha, Jingren Zhou, Qifeng Chen
Abstract要約: この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
参考スコア（独自算出の注目度）: 101.48350547067628
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The latent space of a Generative Adversarial Network (GAN) has been shown to encode rich semantics within some subspaces. To identify these subspaces, researchers typically analyze the statistical information from a collection of synthesized data, and the identified subspaces tend to control image attributes globally (i.e., manipulating an attribute causes the change of an entire image). By contrast, this work introduces low-rank subspaces that enable more precise control of GAN generation. Concretely, given an arbitrary image and a region of interest (e.g., eyes of face images), we manage to relate the latent space to the image region with the Jacobian matrix and then use low-rank factorization to discover steerable latent subspaces. There are three distinguishable strengths of our approach that can be aptly called LowRankGAN. First, compared to analytic algorithms in prior work, our low-rank factorization of Jacobians is able to find the low-dimensional representation of attribute manifold, making image editing more precise and controllable. Second, low-rank factorization naturally yields a null space of attributes such that moving the latent code within it only affects the outer region of interest. Therefore, local image editing can be simply achieved by projecting an attribute vector into the null space without relying on a spatial mask as existing methods do. Third, our method can robustly work with a local region from one image for analysis yet well generalize to other images, making it much easy to use in practice. Extensive experiments on state-of-the-art GAN models (including StyleGAN2 and BigGAN) trained on various datasets demonstrate the effectiveness of our LowRankGAN.
Abstract（参考訳）: GAN(Generative Adversarial Network)の潜在空間は、いくつかの部分空間内のリッチセマンティクスをエンコードすることが示されている。これらの部分空間を特定するために、研究者は一般に合成データの集合から統計情報を分析し、識別された部分空間は世界的に画像属性を制御する傾向がある(すなわち、属性を操作することが画像全体の変化を引き起こす)。対照的に、この研究はGAN生成をより正確に制御できる低ランク部分空間を導入している。具体的には、任意の画像と興味のある領域(例えば、顔画像の目)を与えられたとき、画像領域とヤコビ行列とを関連づけ、その後低ランク因子分解を用いて制御可能な潜在部分空間を発見できる。我々のアプローチには、LowRankGANと呼ばれる3つの区別可能な強みがある。まず、先行研究における解析アルゴリズムと比較して、ヤコビアンの低ランク分解は属性多様体の低次元表現を見つけることができ、画像編集をより正確かつ制御可能である。第二に、低ランク因数分解は、属性のヌル空間を自然に生成し、潜在コードの移動は関心の外側領域にのみ影響する。したがって、既存の方法のように空間マスクに頼ることなく、属性ベクトルをヌル空間に投影することで、ローカル画像編集を簡単に実現できる。第3に,本手法は,ある画像から局所領域に頑健に作用するが,他の画像に十分に一般化できるので,実際に使用しやすい。さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANを含む)に関する大規模な実験は、我々のLowRankGANの有効性を実証している。

関連論文リスト

Weakly-supervised deepfake localization in diffusion-generated images [4.548755617115687]
本稿では,Xception ネットワークをバックボーンアーキテクチャとして用いた弱教師付きローカライズ問題を提案する。本研究では,(局所スコアに基づく)最良動作検出法は,データセットやジェネレータのミスマッチよりも,より緩やかな監視に敏感であることを示す。
論文参考訳（メタデータ） (2023-11-08T10:27:36Z)
SC2GAN: Rethinking Entanglement by Self-correcting Correlated GAN Space [16.040942072859075]
ある属性の編集方向に従う遺伝子ネットワークは、他の属性と絡み合った変更をもたらす可能性がある。本稿では,低密度の潜伏コードサンプルを元の潜伏空間に再プロジェクションすることで,SC$2$GANのアンタングル化を実現する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-10-10T14:42:32Z)
Spatial Latent Representations in Generative Adversarial Networks for Image Generation [0.0]
StyleGAN2 に対して空間潜在空間の族を定義する。我々の空間は画像操作や意味情報のエンコードに有効であることを示す。
論文参考訳（メタデータ） (2023-03-25T20:01:11Z)
Spatial Steerability of GANs via Self-Supervision from Discriminator [123.27117057804732]
本稿では,GANの空間的ステアビリティを向上させるための自己教師型アプローチを提案する。具体的には、空間帰納バイアスとして生成モデルの中間層に符号化されるランダムなガウス熱マップを設計する。推論中、ユーザは直感的に空間のヒートマップと対話し、シーンのレイアウトを調整したり、移動したり、オブジェクトを削除したりすることで、出力画像を編集することができる。
論文参考訳（メタデータ） (2023-01-20T07:36:29Z)
Towards Effective Image Manipulation Detection with Proposal Contrastive Learning [61.5469708038966]
本稿では,効果的な画像操作検出のためのコントラスト学習(PCL)を提案する。我々のPCLは、RGBとノイズビューから2種類のグローバル特徴を抽出し、2ストリームアーキテクチャで構成されている。我々のPCLは、実際にラベル付けされていないデータに容易に適用でき、手作業によるラベル付けコストを削減し、より一般化可能な機能を促進することができる。
論文参考訳（メタデータ） (2022-10-16T13:30:13Z)
Region-Based Semantic Factorization in GANs [67.90498535507106]
本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2022-02-19T17:46:02Z)
The Geometry of Deep Generative Image Models and its Applications [0.0]
generative adversarial networks (gans) は、実世界のデータセットの統計パターンをモデル化する強力な教師なし手法として登場した。これらのネットワークは、潜在空間内のランダムな入力を学習データを表す新しいサンプルにマップするように訓練される。潜在空間の構造は、その高い寸法性と発電機の非線形性のために内挿しが困難である。
論文参考訳（メタデータ） (2021-01-15T07:57:33Z)
Positional Encoding as Spatial Inductive Bias in GANs [97.6622154941448]
SinGANは限られた有効な受容器分野にもかかわらず内部パッチ配分の学習の印象的な機能を示します。本研究では,発電機のパディングゼロ時における暗黙的位置符号化によって,このような能力が大幅にもたらされることを示した。本稿では,新しいマルチスケール学習戦略を提案し,その効果を最新型無条件発電機stylegan2で実証する。
論文参考訳（メタデータ） (2020-12-09T18:27:16Z)
Improving Inversion and Generation Diversity in StyleGAN using a Gaussianized Latent Space [41.20193123974535]
現代のジェネレーティブ・アドバイサル・ネットワークは、低次元の学習された潜伏空間に住む潜伏ベクトルから、人工的で写実的な画像を作成することができる。単純な非線形演算の下では、データ分布はガウス的としてモデル化でき、したがって十分な統計量を用いて表されることを示す。得られた投影は、実際の画像と生成された画像の両方のパフォーマンスを用いて示されているように、潜在空間のより滑らかでより良い振る舞いの領域にある。
論文参考訳（メタデータ） (2020-09-14T15:45:58Z)
Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。