論文の概要: Near Perfect GAN Inversion
- arxiv url: http://arxiv.org/abs/2202.11833v1
- Date: Wed, 23 Feb 2022 23:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 16:24:15.888369
- Title: Near Perfect GAN Inversion
- Title（参考訳）: 近接完全GANインバージョン
- Authors: Qianli Feng, Viraj Shah, Raghudeep Gadde, Pietro Perona, Aleix
Martinez
- Abstract要約: 写真のほぼ完全な再構築を実現するアルゴリズムを導出する。
このアプローチは、複製したい実画像と区別できない合成画像を生成するだけでなく、これらの画像は容易に編集可能であることを示す。
- 参考スコア（独自算出の注目度）: 17.745342857726925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To edit a real photo using Generative Adversarial Networks (GANs), we need a
GAN inversion algorithm to identify the latent vector that perfectly reproduces
it. Unfortunately, whereas existing inversion algorithms can synthesize images
similar to real photos, they cannot generate the identical clones needed in
most applications. Here, we derive an algorithm that achieves near perfect
reconstructions of photos. Rather than relying on encoder- or
optimization-based methods to find an inverse mapping on a fixed generator
$G(\cdot)$, we derive an approach to locally adjust $G(\cdot)$ to more
optimally represent the photos we wish to synthesize. This is done by locally
tweaking the learned mapping $G(\cdot)$ s.t. $\| {\bf x} - G({\bf z})
\|<\epsilon$, with ${\bf x}$ the photo we wish to reproduce, ${\bf z}$ the
latent vector, $\|\cdot\|$ an appropriate metric, and $\epsilon > 0$ a small
scalar. We show that this approach can not only produce synthetic images that
are indistinguishable from the real photos we wish to replicate, but that these
images are readily editable. We demonstrate the effectiveness of the derived
algorithm on a variety of datasets including human faces, animals, and cars,
and discuss its importance for diversity and inclusion.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)を用いて実際の写真を編集するには、完全に再生する潜在ベクトルを特定するために、GAN逆変換アルゴリズムが必要である。
残念ながら、既存の反転アルゴリズムは実際の写真に似た画像を合成できるが、ほとんどのアプリケーションで必要とされる同一のクローンを生成することはできない。
ここでは,写真のほぼ完全な再構成を実現するアルゴリズムを導出する。
固定ジェネレータ $g(\cdot)$ の逆マッピングを見つけるためにエンコーダまたは最適化ベースのメソッドに頼るのではなく、我々は、合成したい写真をより最適に表現するために$g(\cdot)$を局所的に調整するアプローチを導出する。
これは、学習されたマッピング $g(\cdot)$ s.t. $\| {\bf x} - g({\bf z}) \|<\epsilon$, with ${\bf x}$ 複製したい写真、${\bf z}$ 潜ベクトル、$\|\cdot\|$ 適切な計量、$\epsilon > 0$ 小さいスカラーでローカルに調整することで行われる。
この手法は,我々が複製したい実際の写真と区別できない合成画像を生成するだけでなく,これらの画像が容易に編集可能であることを示す。
本研究では,人間の顔,動物,車を含むさまざまなデータセットに対するアルゴリズムの有効性を実証し,多様性と包摂性の重要性について論じる。
関連論文リスト
- No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。
提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。
この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:22Z) - RefineStyle: Dynamic Convolution Refinement for StyleGAN [15.230430037135017]
StyleGANでは、畳み込みカーネルは画像間で共有される静的パラメータの両方によって形成される。
$mathcalW+$スペースは画像の反転や編集によく使われる。
本稿では,動的カーネルの効率的な精錬戦略を提案する。
論文 参考訳（メタデータ） (2024-10-08T15:01:30Z) - In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。
エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
論文 参考訳（メタデータ） (2023-09-25T08:42:06Z) - Efficient Scale-Invariant Generator with Column-Row Entangled Pixel
Synthesis [3.222802562733787]
本研究では,空間的畳み込みや粗大な設計を使わずに,効率的かつスケール平等な新しい生成モデルを提案する。
FFHQ、LSUN-Church、MetFaces、Flickr-Sceneryなど、さまざまなデータセットの実験では、CREPSのスケール一貫性とエイリアスのない画像を合成する能力が確認されている。
論文 参考訳（メタデータ） (2023-03-24T17:12:38Z) - Efficient Image Denoising by Low-Rank Singular Vector Approximations of Geodesics' Gramian Matrix [2.3499129784547654]
画像の騒音汚染は、人々の間で準標準的期待をもたらす。
画像のデノイングは、必要不可欠な前処理ステップです。
本稿では,測地学のグラミアン行列の特異ベクトルを主に利用した多様体に基づくノイズフィルタリング法を提案する。
論文 参考訳（メタデータ） (2022-09-27T01:03:36Z) - CoordGAN: Self-Supervised Dense Correspondences Emerge from GANs [129.51129173514502]
本稿では,各生成画像の高密度対応マップを学習する構造テクスチャ不整合GANであるCoordinate GAN(CoordGAN)を紹介する。
提案するジェネレータは,既存手法に比べて構造とテクスチャの絡み合いが良くなることを示す。
論文 参考訳（メタデータ） (2022-03-30T17:55:09Z) - DeDUCE: Generating Counterfactual Explanations Efficiently [26.300599540027893]
我々は,スペクトル正規化を訓練した大規模画像分類器に対して,計算コストの低い反実的説明を提供するアルゴリズムを開発した。
我々は、このアルゴリズムを文献のベースラインと経験的に比較し、新しいアルゴリズムは、元の入力にずっと近い反事実を常に発見する。
論文 参考訳（メタデータ） (2021-11-29T17:47:21Z) - StyleMapGAN: Exploiting Spatial Dimensions of Latent in GAN for
Real-time Image Editing [19.495153059077367]
generative adversarial networks (gans) はランダムな潜在ベクトルから現実的な画像を合成する。
ganによる実画像の編集は、実画像を潜在ベクトルに投影するための時間消費最適化(ii)またはエンコーダによる不正確な埋め込みに苦しむ。
StyleMapGANを提案する:中間潜空間は空間次元を持ち、空間的変異体はAdaINを置き換える。
論文 参考訳（メタデータ） (2021-04-30T04:43:24Z) - Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。
そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。
StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文 参考訳（メタデータ） (2021-04-29T17:58:35Z) - Swapping Autoencoder for Deep Image Manipulation [94.33114146172606]
画像操作に特化して設計されたディープモデルであるSwapping Autoencoderを提案する。
キーとなるアイデアは、2つの独立したコンポーネントで画像をエンコードし、交換された組み合わせをリアルなイメージにマップするように強制することだ。
複数のデータセットの実験により、我々のモデルはより良い結果が得られ、最近の生成モデルと比較してかなり効率が良いことが示されている。
論文 参考訳（メタデータ） (2020-07-01T17:59:57Z) - In-Domain GAN Inversion for Real Image Editing [56.924323432048304]
トレーニング済みのGANジェネレータに実際のイメージを送出する一般的な方法は、遅延コードに戻すことである。
既存の反転法は、通常、画素値によってターゲット画像の再構成にフォーカスするが、反転したコードは元の潜伏空間のセマンティックドメインに着陸しない。
本稿では、入力画像を忠実に再構成し、変換されたコードが編集に意味のある意味を持つようにするためのドメイン内GAN逆変換手法を提案する。
論文 参考訳（メタデータ） (2020-03-31T18:20:18Z)
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。