論文の概要: Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment

• arxiv url: http://arxiv.org/abs/2203.04121v1
• Date: Sun, 6 Mar 2022 14:26:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 06:23:54.353028
• Title: Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment
• Title（参考訳）: 空間構造アライメントの緩和によるショット生成モデル適応
• Authors: Jiayu Xiao, Liang Li, Chaofei Wang, Zheng-Jun Zha, Qingming Huang
• Abstract要約: 限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
• 参考スコア（独自算出の注目度）: 130.84010267004803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training a generative adversarial network (GAN) with limited data has been a challenging task. A feasible solution is to start with a GAN well-trained on a large scale source domain and adapt it to the target domain with a few samples, termed as few shot generative model adaption. However, existing methods are prone to model overfitting and collapse in extremely few shot setting (less than 10). To solve this problem, we propose a relaxed spatial structural alignment method to calibrate the target generative models during the adaption. We design a cross-domain spatial structural consistency loss comprising the self-correlation and disturbance correlation consistency loss. It helps align the spatial structural information between the synthesis image pairs of the source and target domains. To relax the cross-domain alignment, we compress the original latent space of generative models to a subspace. Image pairs generated from the subspace are pulled closer. Qualitative and quantitative experiments show that our method consistently surpasses the state-of-the-art methods in few shot setting.
• Abstract（参考訳）: 限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 しかし、既存の手法では過剰フィッティングや崩壊を非常に少ないショットでモデル化しがちである(10点未満)。 そこで本研究では,適応時の対象生成モデルを校正する空間構造アライメント手法を提案する。 自己相関と外乱相関整合性損失を含む領域間空間構造整合性損失を設計する。 ソースとターゲットドメインの合成画像対間の空間構造情報の整合を支援する。 クロスドメインアライメントを緩和するために、生成モデルの元の潜在空間を部分空間に圧縮する。 サブスペースから生成された画像対を近くに引き出す。 質的かつ定量的な実験により,本手法は少数のショット設定において最先端の手法を一貫して超越していることが示された。

関連論文リスト

• Phasic Content Fusing Diffusion Model with Directional Distribution Consistency for Few-Shot Model Adaption [73.98706049140098]
  本稿では,方向分布の整合性を損なう少数ショット拡散モデルを用いた新しいファシックコンテンツを提案する。 具体的には、ファシックコンテンツ融合を用いたファシックトレーニング戦略を設計し、tが大きければ、モデルがコンテンツやスタイル情報を学ぶのに役立てる。 最後に、ドメイン適応時の構造整合性を高めるクロスドメイン構造ガイダンス戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-07T14:14:11Z)
• Improving Diversity in Zero-Shot GAN Adaptation with Semantic Variations [61.132408427908175]
  0ショットのGAN適応は、よく訓練されたジェネレータを再利用して、目に見えないターゲットドメインの画像を合成することを目的としている。 実際の画像の代わりに1つの代表的テキスト機能しか持たないため、合成された画像は徐々に多様性を損なう。 そこで本研究では,CLIP空間における対象テキストの意味的変化を見つけるための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-21T08:12:28Z)
• Smoothness Similarity Regularization for Few-Shot GAN Adaptation [16.92497517282215]
  本稿では,学習済みのGANの学習済みの滑らかさを少数ショット対象領域に伝達する,新しい滑らかさ類似性正規化を提案する。 我々は,無条件GANとクラス条件GANを多種多様な標的ドメインに適応させることにより,我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:53Z)
• Reconciling a Centroid-Hypothesis Conflict in Source-Free Domain Adaptation [5.879782260984692]
  ソースフリードメイン適応(SFDA)は、ソースドメインから未ラベルのターゲットドメインに学習した知識を転送することを目的としている。 SFDAの主な課題の1つは、ドメインのミスアライメントによるエラーの蓄積を減らすことである。 本稿では,エントロピー最小化目標を擬似ラベルのクロスエントロピーと整合させることにより,この対立を和らげることを提案する。
  論文  参考訳（メタデータ） (2022-12-07T17:23:49Z)
• One-Shot Adaptation of GAN in Just One CLIP [51.188396199083336]
  本稿では,CLIP空間を統一した単一ショットGAN適応方式を提案する。 具体的には、CLIP誘導潜在最適化を用いて、ソースジェネレータ内の参照画像検索という2段階のトレーニング戦略を採用する。 対象のテクスチャで多様な出力を生成し,質的かつ定量的にベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-17T13:03:06Z)
• Few-shot Image Generation via Cross-domain Correspondence [98.2263458153041]
  限られた例を含む対象領域におけるGANなどの生成モデルの訓練は、容易に過度な適合をもたらす。 本研究では,多様性情報をソースからターゲットにプリトレーニングし,転送するために,大きなソースドメインを活用することを目指す。 さらに,オーバーフィッティングを減らすために,潜在空間内の異なる領域に対して異なるレベルのリアリズムを奨励するアンカーベースの戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-13T17:59:35Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。