論文の概要: Guided Disentanglement in Generative Networks
- arxiv url: http://arxiv.org/abs/2107.14229v1
- Date: Thu, 29 Jul 2021 17:59:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-30 13:27:52.529541
- Title: Guided Disentanglement in Generative Networks
- Title(参考訳): 生成ネットワークにおけるガイドディスタングル
- Authors: Fabio Pizzati, Pietro Cerri, Raoul de Charette
- Abstract要約: 画像と画像の翻訳ネットワークは、対象領域に物理関連現象が存在する場合の絡み合い効果に悩まされる。
本稿では,学習過程をニューラルネットワークや物理モデルで導くことによって,物理に基づく特徴を翻訳において拡張する包括的手法を提案する。
- 参考スコア(独自算出の注目度): 14.087944269230293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-to-image translation (i2i) networks suffer from entanglement effects in
presence of physics-related phenomena in target domain (such as occlusions,
fog, etc), thus lowering the translation quality and variability. In this
paper, we present a comprehensive method for disentangling physics-based traits
in the translation, guiding the learning process with neural or physical
models. For the latter, we integrate adversarial estimation and genetic
algorithms to correctly achieve disentanglement. The results show our approach
dramatically increase performances in many challenging scenarios for image
translation.
- Abstract(参考訳): 画像から画像への変換(i2i)ネットワークは、対象領域(咬合、霧など)における物理現象の存在下での絡み合い効果に苦しむため、翻訳品質や変動性が低下する。
本稿では,ニューラルモデルや物理モデルを用いて学習過程を指導し,その翻訳における物理特性を分離する包括的手法を提案する。
後者では,逆推定と遺伝的アルゴリズムを統合し,解離を正しく行う。
その結果,画像翻訳の難解なシナリオの多くにおいて,我々のアプローチは性能を劇的に向上させることがわかった。
関連論文リスト
- Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳(メタデータ) (2024-02-05T19:21:52Z) - PhysGraph: Physics-Based Integration Using Graph Neural Networks [9.016253794897874]
我々は,コンピュータゲーム,バーチャルリアリティ,バーチャルトライオンなど多くの応用がある粗い衣服形状の詳細な拡張に焦点を当てた。
我々の貢献は単純な観察に基づいており、従来のシミュレーション手法では計算コストが比較的安い。
このアイデアが、小さなメッシュパッチの基本的な内部力に基づいてトレーニング可能な、学習可能なモジュールにつながることを実証しています。
論文 参考訳(メタデータ) (2023-01-27T16:47:10Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Neural Implicit Representations for Physical Parameter Inference from a
Single Video [55.61164103824501]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。
提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。
ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文 参考訳(メタデータ) (2022-04-29T11:55:35Z) - Dynamic Visual Reasoning by Learning Differentiable Physics Models from
Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。
これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文 参考訳(メタデータ) (2021-10-28T17:59:13Z) - Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。
提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。
実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文 参考訳(メタデータ) (2021-10-27T03:30:18Z) - Towards an Interpretable Latent Space in Structured Models for Video
Prediction [30.080907495461876]
基礎となる物理力学が支配するビデオにおける将来のフレーム予測の課題に焦点をあてる。
我々は、オブジェクト中心のモデル、すなわち、オブジェクト表現を明示的に扱うモデルで作業し、潜在空間における損失を伝播する。
論文 参考訳(メタデータ) (2021-07-16T05:37:16Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Turbulence Enrichment using Physics-informed Generative Adversarial
Networks [0.0]
我々は乱流生成法を開発した。
損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。
物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
論文 参考訳(メタデータ) (2020-03-04T06:14:11Z)
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。