Fugu-MT 論文翻訳(概要): Flow Plugin Network for conditional generation

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

Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
論文参考訳（メタデータ） (2024-08-15T16:47:59Z)
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)
StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2023-03-28T08:21:44Z)
Training and Tuning Generative Neural Radiance Fields for Attribute-Conditional 3D-Aware Face Generation [66.21121745446345]
本稿では,特定の属性ラベルを入力として統合した条件付きGNeRFモデルを提案する。提案手法は, 事前学習した3次元顔モデルに基づいており, 条件付き正規化フローモジュールをトレーニングするためのTraining as Init and fidelity for Tuning (TRIOT) 方式を提案する。本実験は,ビューの整合性を高めた高品質な編集を行う能力を示すとともに,本モデルの有効性を実証するものである。
論文参考訳（メタデータ） (2022-08-26T10:05:39Z)
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。