論文の概要: Flow Plugin Network for conditional generation
- arxiv url: http://arxiv.org/abs/2110.04081v1
- Date: Thu, 7 Oct 2021 17:26:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 14:11:34.867928
- Title: Flow Plugin Network for conditional generation
- Title（参考訳）: 条件生成のためのフロープラグインネットワーク
- Authors: Patryk Wielopolski, Micha{\l} Koperski, Maciej Zi\k{e}ba
- Abstract要約: デフォルトでは、サンプリングプロセスを制御することができません。つまり、特定の属性セットを持つサンプルを生成することはできません。
基本モデルを再学習することなく、与えられた属性セットを持つオブジェクトの生成を可能にする新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 1.123376893295777
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models have gained many researchers' attention in the last years
resulting in models such as StyleGAN for human face generation or PointFlow for
the 3D point cloud generation. However, by default, we cannot control its
sampling process, i.e., we cannot generate a sample with a specific set of
attributes. The current approach is model retraining with additional inputs and
different architecture, which requires time and computational resources. We
propose a novel approach that enables to a generation of objects with a given
set of attributes without retraining the base model. For this purpose, we
utilize the normalizing flow models - Conditional Masked Autoregressive Flow
and Conditional Real NVP, as a Flow Plugin Network (FPN).
- Abstract（参考訳）: 生成モデルは、人間の顔生成のためのStyleGANや3Dポイントクラウド生成のためのPointFlowなど、ここ数年で多くの研究者の注目を集めている。
しかし、デフォルトでは、そのサンプリングプロセスを制御できない。つまり、特定の属性セットを持つサンプルを生成することはできない。
現在のアプローチは、追加の入力と異なるアーキテクチャによるモデル再トレーニングであり、時間と計算資源を必要とする。
基本モデルを再学習することなく、与えられた属性セットを持つオブジェクトの生成を可能にする新しいアプローチを提案する。
本研究では, 条件付き自己回帰フローと条件付き実NVPをフロープラグインネットワーク(FPN)として, 正規化フローモデルを利用する。
関連論文リスト
- Not-So-Optimal Transport Flows for 3D Point Cloud Generation [58.164908756416615]
3次元点雲の生成モデルの学習は、3次元点雲の生成学習における根本的な問題の1つである。
本稿では,最近提案された同変OTフローを解析し,点ベース分子データに対する置換不変な生成モデルを学習する。
提案手法は, 広範囲な非条件生成および形状完備化において, 拡散および流動に基づく事前アプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-02-18T02:37:34Z) - TFG-Flow: Training-free Guidance in Multimodal Generative Flow [73.93071065307782]
本稿では,マルチモーダルな生成フローのためのトレーニング不要指導法TFG-Flowを紹介する。
TFG-Flowは、離散変数の導出において、非バイアスサンプリングの特性を維持しながら、次元の呪いに対処する。
TFG-Flowは, 所望の特性を持つ分子を生成することにより, 薬物設計において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-01-24T03:44:16Z) - Jet: A Modern Transformer-Based Normalizing Flow [62.2573739835562]
本稿では,結合型正規化フローモデルの設計を再考する。
よりシンプルなアーキテクチャで、最先端の定量的、質的なパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-12-19T18:09:42Z) - Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。
本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。
実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
論文 参考訳（メタデータ） (2024-04-30T17:37:21Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - Score-Based Generative Models for Molecule Generation [0.8808021343665321]
我々は、ZINCデータセットから150万のサンプルを表現したTransformerベースのスコア関数をトレーニングする。
私たちは、Mosesベンチマークフレームワークを使用して、一連のメトリクスで生成されたサンプルを評価します。
論文 参考訳（メタデータ） (2022-03-07T13:46:02Z) - PluGeN: Multi-Label Conditional Generation From Pre-Trained Models [1.4777718769290524]
PluGeNは単純だが効果的な生成技術であり、事前訓練された生成モデルのプラグインとして使用できる。
PluGeNは、ラベル付き属性の値を制御する機能を加えながら、バックボーンモデルの品質を保っていることを示す。
論文 参考訳（メタデータ） (2021-09-18T21:02:24Z) - Go with the Flows: Mixtures of Normalizing Flows for Point Cloud
Generation and Reconstruction [98.38585659305325]
正規化フロー(NF)は、3Dポイントクラウドのモデリングにおける最先端のパフォーマンスを示している。
この研究は、点雲にNFの混合物を適用することで、それらの表現力を高める。
論文 参考訳（メタデータ） (2021-06-06T14:25:45Z) - Discrete Point Flow Networks for Efficient Point Cloud Generation [36.03093265136374]
生成モデルは3次元形状とその統計的バリエーションをモデル化するのに有効であることが証明されている。
任意の大きさの3次元点雲を生成するために,フローの正規化に基づく潜在変数モデルを導入する。
単一ビュー形状再構成では、最先端のボクセル、ポイントクラウド、メッシュベースの手法と同等の結果が得られる。
論文 参考訳（メタデータ） (2020-07-20T14:48:00Z) - Dynamic Model Pruning with Feedback [64.019079257231]
余分なオーバーヘッドを伴わずにスパーストレーニングモデルを生成する新しいモデル圧縮法を提案する。
CIFAR-10 と ImageNet を用いて本手法の評価を行い,得られたスパースモデルが高密度モデルの最先端性能に到達可能であることを示す。
論文 参考訳（メタデータ） (2020-06-12T15:07:08Z) - Closing the Dequantization Gap: PixelCNN as a Single-Layer Flow [16.41460104376002]
有限体積を変換し、離散データに対する確率の正確な計算を可能にするサブセットフローを導入する。
我々は、WaveNets、PixelCNNs、Transformersを含む通常の離散自己回帰モデルを単層フローとして識別する。
我々は, CIFAR-10 を用いて, 脱量子化を訓練した流れモデルについて, 実測結果を示す。
論文 参考訳（メタデータ） (2020-02-06T22:58:51Z)
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。