論文の概要: Self-Similarity Priors: Neural Collages as Differentiable Fractal Representations

• arxiv url: http://arxiv.org/abs/2204.07673v1
• Date: Fri, 15 Apr 2022 22:54:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 12:36:59.566328
• Title: Self-Similarity Priors: Neural Collages as Differentiable Fractal Representations
• Title（参考訳）: 自己相似性優先:分化可能なフラクタル表現としての神経コラージュ
• Authors: Michael Poli, Winnie Xu, Stefano Massaroli, Chenlin Meng, Kuno Kim, Stefano Ermon
• Abstract要約: 本稿では,自己相似性の自動発見における学習の役割と下流タスクの活用について検討する。 我々は、自己参照型構造化変換のパラメータとしてデータを表す暗黙演算子の新しいクラスであるニューラルコラージュを設計する。 本稿では,ニューラルコラージュが生成する表現を,データ圧縮や生成など様々なタスクで活用する方法を検討する。
• 参考スコア（独自算出の注目度）: 73.14227103400964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many patterns in nature exhibit self-similarity: they can be compactly described via self-referential transformations. Said patterns commonly appear in natural and artificial objects, such as molecules, shorelines, galaxies and even images. In this work, we investigate the role of learning in the automated discovery of self-similarity and in its utilization for downstream tasks. To this end, we design a novel class of implicit operators, Neural Collages, which (1) represent data as the parameters of a self-referential, structured transformation, and (2) employ hypernetworks to amortize the cost of finding these parameters to a single forward pass. We investigate how to leverage the representations produced by Neural Collages in various tasks, including data compression and generation. Neural Collages image compressors are orders of magnitude faster than other self-similarity-based algorithms during encoding and offer compression rates competitive with implicit methods. Finally, we showcase applications of Neural Collages for fractal art and as deep generative models.
• Abstract（参考訳）: 自然界の多くのパターンは自己相似性を示し、それらは自己回帰変換によってコンパクトに記述できる。 いわゆるパターンは、分子、海岸線、銀河、さらには画像などの自然や人工の物体によく見られる。 本研究では,自己相似性の自動発見と下流タスクへの利用における学習の役割について検討する。 そこで我々は,(1)データを自己参照的,構造化された変換のパラメータとして表現し,(2)ハイパーネットワークを用いて,これらのパラメータを1回のフォワードパスで見つけるコストを償却する,新たなクラスであるニューラルコラージュを設計した。 本稿では,ニューラルコラージュが生成する表現を,データ圧縮や生成など様々なタスクで活用する方法を検討する。 ニューラルコラージュ画像圧縮機は、符号化中に他の自己相似性ベースのアルゴリズムよりも桁違い高速で、暗黙の手法と競合する圧縮速度を提供する。 最後に,フラクタルアートおよび深層生成モデルに対するニューラルコラージュの応用について紹介する。

関連論文リスト

• Neural inverse procedural modeling of knitting yarns from images [6.114281140793954]
  本研究では,個々の特性に着目したネットワークのアンサンブルにおいて,糸構造の複雑さをよりよく見いだせることを示す。 そこで本研究では,パラメトリック・プロシージャ糸モデルと各ネットワークアンサンブルを組み合わせることで,ロバストなパラメータ推定が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-03-01T00:56:39Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• 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)
• Counterfactual Generative Networks [59.080843365828756]
  画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。 適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。 その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-15T10:23:12Z)
• Correlator Convolutional Neural Networks: An Interpretable Architecture for Image-like Quantum Matter Data [15.283214387433082]
  本研究では,物理オブザーバブルの観点から直接解釈可能なデータの特徴を発見するネットワークアーキテクチャを開発する。 私たちのアプローチは、シンプルでエンドツーエンドの解釈可能なアーキテクチャの構築に役立ちます。
  論文  参考訳（メタデータ） (2020-11-06T17:04:10Z)
• Autoencoder Image Interpolation by Shaping the Latent Space [12.482988592988868]
  オートエンコーダは、異なるタイプのデータセットを特徴付ける基礎となる要因を計算するための効果的なアプローチである。 トレーニング画像と整合した多様体に従うために潜在表現を形作る正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-08-04T12:32:54Z)
• Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
  我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。 このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
  論文  参考訳（メタデータ） (2020-07-13T08:02:27Z)
• Network Bending: Expressive Manipulation of Deep Generative Models [0.2062593640149624]
  ネットワーク曲げと呼ばれる深層生成モデルを操作するための新しいフレームワークを提案する。 生成過程において意味論的に意味のある側面を直接操作できるだけでなく、幅広い表現的な結果を得ることができるかを示す。
  論文  参考訳（メタデータ） (2020-05-25T21:48:45Z)

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。