論文の概要: Fashion Style Generation: Evolutionary Search with Gaussian Mixture Models in the Latent Space

• arxiv url: http://arxiv.org/abs/2204.00592v2
• Date: Mon, 4 Apr 2022 08:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 02:39:33.420199
• Title: Fashion Style Generation: Evolutionary Search with Gaussian Mixture Models in the Latent Space
• Title（参考訳）: ファッションスタイル生成:潜在空間におけるガウス混合モデルを用いた進化探索
• Authors: Imke Grabe, Jichen Zhu, Manex Agirrezabal
• Abstract要約: 本稿では,FashionGenデータセットで学習したジェネレーティブ・アドバイサル・ネットワークを誘導し,ターゲットのファッションスタイルに対応するデザインを生成する手法を提案する。 スタイルに対応するジェネレータの潜伏空間内の潜伏ベクトルを見つけることは、進化的探索問題としてアプローチされる。
• 参考スコア（独自算出の注目度）: 6.4640211401117655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel approach for guiding a Generative Adversarial Network trained on the FashionGen dataset to generate designs corresponding to target fashion styles. Finding the latent vectors in the generator's latent space that correspond to a style is approached as an evolutionary search problem. A Gaussian mixture model is applied to identify fashion styles based on the higher-layer representations of outfits in a clothing-specific attribute prediction model. Over generations, a genetic algorithm optimizes a population of designs to increase their probability of belonging to one of the Gaussian mixture components or styles. Showing that the developed system can generate images of maximum fitness visually resembling certain styles, our approach provides a promising direction to guide the search for style-coherent designs.
• Abstract（参考訳）: 本稿では,FashionGenデータセットで学習したジェネレーティブ・アドバイサル・ネットワークを誘導し,ターゲットのファッションスタイルに対応するデザインを生成する手法を提案する。 スタイルに対応するジェネレータの潜伏空間内の潜伏ベクトルを見つけることは、進化的探索問題としてアプローチされる。 衣服固有の属性予測モデルにおいて,衣装の高層表現に基づくファッションスタイルの同定にガウス混合モデルを適用した。 遺伝的アルゴリズムは数世代にわたって、デザインの集団を最適化し、ガウスの混合成分またはスタイルの1つに属する確率を高める。 開発したシステムは,特定のスタイルに類似した最大適合度の画像を視覚的に生成できることを示し,スタイルコヒーレントなデザインを探索するための有望な方向性を提供する。

関連論文リスト

• Heuristically Adaptive Diffusion-Model Evolutionary Strategy [1.8299322342860518]
  拡散モデル(Diffusion Models)は、生成モデルにおいて重要な進歩を示す。 本研究は,拡散モデルと進化的アルゴリズムの基本的な関係を明らかにする。 我々のフレームワークは、進化的最適化プロセスにおいて、柔軟性、精度、制御性を高めたアルゴリズム上の大きな遷移を示す。
  論文  参考訳（メタデータ） (2024-11-20T16:06:28Z)
• Generator Matching: Generative modeling with arbitrary Markov processes [37.71088961033422]
  任意のマルコフプロセスを用いた生成モデリングのためのモダリティに依存しないフレームワークであるジェネレータマッチングを導入する。 本稿では,ジェネレータマッチングが拡散モデル,フローマッチング,離散拡散モデルなど,様々な生成的モデリング手法を統合することを示す。 ジャンププロセスのような新しいマルコフプロセスに設計空間を拡大する基盤を提供する。
  論文  参考訳（メタデータ） (2024-10-27T20:47:29Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• HiCAST: Highly Customized Arbitrary Style Transfer with Adapter Enhanced Diffusion Models [84.12784265734238]
  Arbitrary Style Transfer (AST)の目標は、あるスタイル参照の芸術的特徴を所定の画像/ビデオに注入することである。 各種のセマンティックな手がかりに基づいてスタイリング結果を明示的にカスタマイズできるHiCASTを提案する。 新たな学習目標をビデオ拡散モデルトレーニングに活用し,フレーム間の時間的一貫性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-01-11T12:26:23Z)
• Learning Graph Neural Networks for Image Style Transfer [131.73237185888215]
  最先端のパラメトリックおよび非パラメトリックなスタイル転送アプローチは、グローバルな統計アライメントによる局所的なスタイルパターンの歪んだり、パッチミスマッチによるアーティファクトを減らしたりする傾向にある。 本稿では,パラメトリック型と非パラメトリック型の両方のスタイライゼーションの欠如を緩和する,新しい半パラメトリック型ニューラルスタイルトランスファーフレームワークについて検討する。
  論文  参考訳（メタデータ） (2022-07-24T07:41:31Z)
• Exploring Generative Adversarial Networks for Text-to-Image Generation with Evolution Strategies [0.4588028371034407]
  いくつかの方法は、ジェネレーティブ・アドバイサル・ネットワークのような事前訓練されたモデルに依存し、生成モデルの潜在空間を探索する。 本稿では,共分散行列適応進化戦略を用いて生成逆数ネットワークの潜伏空間を探索する。 本手法は, 勾配に基づく手法と進化的手法を組み合わせ, 結果の質を生かした手法であることを示す。
  論文  参考訳（メタデータ） (2022-07-06T18:28:47Z)
• BlendGAN: Implicitly GAN Blending for Arbitrary Stylized Face Generation [9.370501805054344]
  任意の顔生成のためのBlendGANを提案する。 まず、任意のスタイルの表現を抽出するために、ジェネリックアートデータセット上で自己教師型スタイルエンコーダを訓練する。 さらに、顔とスタイルの表現を暗黙的にブレンドし、任意のスタイル化効果を制御するために、重み付け混合モジュール(WBM)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T12:00:27Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Unsupervised Discovery of Disentangled Manifolds in GANs [74.24771216154105]
  解釈可能な生成プロセスは、様々な画像編集アプリケーションに有用である。 本稿では,任意の学習された生成逆数ネットワークが与えられた潜在空間における解釈可能な方向を検出する枠組みを提案する。
  論文  参考訳（メタデータ） (2020-11-24T02:18:08Z)
• Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
  本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。 エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。 提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-03-11T16:17:08Z)

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。