論文の概要: Exploring and Exploiting Hubness Priors for High-Quality GAN Latent Sampling

• arxiv url: http://arxiv.org/abs/2206.06014v1
• Date: Mon, 13 Jun 2022 10:13:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 23:08:13.927041
• Title: Exploring and Exploiting Hubness Priors for High-Quality GAN Latent Sampling
• Title（参考訳）: 高品質GAN潜時サンプリングのためのハッチネス先行探索と爆発
• Authors: Yuanbang Liang, Jing Wu, Yu-Kun Lai, Yipeng Qin
• Abstract要約: 本稿では, GAN潜伏分布の偏りを探索し, 利用することによって, 新たなGAN潜伏サンプリング手法を提案する。 後続の「チェリーピッキング」とは違って,画像合成に先立って高品質の潜伏剤を識別する先駆的手法であるため,効率がよい。
• 参考スコア（独自算出の注目度）: 50.24822630244254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the extensive studies on Generative Adversarial Networks (GANs), how to reliably sample high-quality images from their latent spaces remains an under-explored topic. In this paper, we propose a novel GAN latent sampling method by exploring and exploiting the hubness priors of GAN latent distributions. Our key insight is that the high dimensionality of the GAN latent space will inevitably lead to the emergence of hub latents that usually have much larger sampling densities than other latents in the latent space. As a result, these hub latents are better trained and thus contribute more to the synthesis of high-quality images. Unlike the a posterior "cherry-picking", our method is highly efficient as it is an a priori method that identifies high-quality latents before the synthesis of images. Furthermore, we show that the well-known but purely empirical truncation trick is a naive approximation to the central clustering effect of hub latents, which not only uncovers the rationale of the truncation trick, but also indicates the superiority and fundamentality of our method. Extensive experimental results demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: gans(generative adversarial network)に関する広範な研究にもかかわらず、その潜在空間から高品質の画像を確実にサンプリングする方法は、未検討のトピックである。 本稿では, GAN潜伏分布の偏りを探索し, 利用することにより, 新たなGAN潜伏サンプリング手法を提案する。 我々の重要な洞察は、GAN潜伏空間の高次元性は必然的に、潜伏空間の他の潜伏空間よりもはるかに大きなサンプリング密度を持つハブ潜伏空間の出現につながるということである。 その結果、これらのハブ潜伏剤はより訓練され、高品質な画像の合成に寄与する。 後方の「チェリーピッキング」と異なり,画像合成前に高品質な潜伏剤を識別する前駆的手法であるため,この手法は高効率である。 さらに, 広く知られているが純粋に経験的切断トリックは, ハブ潜伏体の中央クラスタリング効果に対するナイーブな近似であり, 切断トリックの理論的根拠を明らかにするだけでなく, 本手法の優越性と基礎性も示す。 その結果,提案手法の有効性が示された。

関連論文リスト

• Enhancing Conditional Image Generation with Explainable Latent Space Manipulation [0.0]
  本稿では,条件付きプロンプトに固執しながら,参照画像への忠実性を実現するための新しいアプローチを提案する。 そこで我々は,クロスアテンション・レイヤのクロスアテンション・マップと遅延ベクトルの勾配を解析した。 この情報を用いて,被写体を保存しつつ,参照画像の特徴をシームレスに統合し,特定のタイミングでマスクを作成する。
  論文  参考訳（メタデータ） (2024-08-29T03:12:04Z)
• Hierarchical Uncertainty Exploration via Feedforward Posterior Trees [25.965665666173038]
  木評価予測を用いて,複数レベルの粒度にまたがる後部を可視化する新しい手法を提案する。 本手法は, ニューラルネットワークの1つの前方通過において, 入力測定における後部分布の階層的階層化を予測する。
  論文  参考訳（メタデータ） (2024-05-24T17:06:51Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• A Dense Reward View on Aligning Text-to-Image Diffusion with Preference [54.43177605637759]
  本稿では,T2I逆鎖の初期ステップを強調する,トラクタブルアライメントの目的を提案する。 単一および複数プロンプト生成の実験では,本手法は強い関連するベースラインと競合する。
  論文  参考訳（メタデータ） (2024-02-13T07:37:24Z)
• Deep Clustering with Diffused Sampling and Hardness-aware Self-distillation [4.550555443103878]
  本稿では, 拡散サンプリングと硬度認識型自己蒸留(HaDis)を併用した, エンドツーエンドの深層クラスタリング手法を提案する。 5つの課題の画像データセットの結果は、最先端のHaDis法よりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2024-01-25T09:33:49Z)
• StyleGenes: Discrete and Efficient Latent Distributions for GANs [149.0290830305808]
  GAN(Generative Adversarial Networks)のための離散潜在分布を提案する。 連続的な先行点から潜在ベクトルを描く代わりに、学習可能な潜在点の有限集合からサンプリングする。 私たちは生物の情報のエンコーディングからインスピレーションを得ます。
  論文  参考訳（メタデータ） (2023-04-30T23:28:46Z)
• High-resolution Face Swapping via Latent Semantics Disentanglement [50.23624681222619]
  本稿では,事前学習したGANモデルの事前知識を用いた,新しい高分解能幻覚顔交換法を提案する。 我々は、ジェネレータの進行的な性質を利用して、潜在意味論を明示的に解き放つ。 我々は,2時間制約を潜時空間と画像空間に課すことにより,映像面スワップに拡張する。
  論文  参考訳（メタデータ） (2022-03-30T00:33:08Z)
• Pattern Detection in the Activation Space for Identifying Synthesized Content [8.365235325634876]
  GAN(Generative Adversarial Networks)は、最近、低次元ランダムノイズからのフォトリアリスティック画像合成において、前例のない成功を収めている。 高品質なコンテンツを大規模に合成する能力は、生成されたサンプルが、深刻な社会的、政治的、健康的、ビジネス上の危険をもたらす可能性のある誤情報を引き起こす可能性があるため、潜在的なリスクをもたらす。 トレーニング済みニューラルネットワークの内部層における異常なノードアクティベーションのサブセットを検出することにより、生成されたコンテンツを特定するためのSubsetGANを提案する。
  論文  参考訳（メタデータ） (2021-05-26T11:28:36Z)
• On Noise Injection in Generative Adversarial Networks [85.51169466453646]
  ノイズ注入は高忠実度画像の生成における重要な技術のひとつであることが証明されている。 GANにおけるノイズ注入の役割を理論的に解析するための幾何学的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-10T15:24:48Z)

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。