論文の概要: GENHOP: An Image Generation Method Based on Successive Subspace Learning
- arxiv url: http://arxiv.org/abs/2210.03689v1
- Date: Fri, 7 Oct 2022 16:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 14:53:11.607506
- Title: GENHOP: An Image Generation Method Based on Successive Subspace Learning
- Title（参考訳）: genHOP:逐次サブスペース学習に基づく画像生成手法
- Authors: Xuejing Lei, Wei Wang and C.-C. Jay Kuo
- Abstract要約: GenHopは,1)高次元から低次元への還元,2)シード画像の生成,3)低次元から高次元への展開の3つのモジュールから構成される。
実験によると、GenHopは、MNIST、Fashion-MNIST、CelebAデータセットのDLベースの生成モデルと比較すると、FIDスコアが同等またはそれ以上の視覚的に快適な画像を生成することができる。
- 参考スコア（独自算出の注目度）: 42.02842374326755
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Being different from deep-learning-based (DL-based) image generation methods,
a new image generative model built upon successive subspace learning principle
is proposed and named GenHop (an acronym of Generative PixelHop) in this work.
GenHop consists of three modules: 1) high-to-low dimension reduction, 2) seed
image generation, and 3) low-to-high dimension expansion. In the first module,
it builds a sequence of high-to-low dimensional subspaces through a sequence of
whitening processes, each of which contains samples of joint-spatial-spectral
representation. In the second module, it generates samples in the lowest
dimensional subspace. In the third module, it finds a proper high-dimensional
sample for a seed image by adding details back via locally linear embedding
(LLE) and a sequence of coloring processes. Experiments show that GenHop can
generate visually pleasant images whose FID scores are comparable or even
better than those of DL-based generative models for MNIST, Fashion-MNIST and
CelebA datasets.
- Abstract（参考訳）: 深層学習に基づく(DLに基づく)画像生成法とは違って,連続的な部分空間学習原理に基づく画像生成モデルが提案され,GenHop(Generative PixelHopの頭字語)と名付けられた。
GenHopは3つのモジュールから構成される。
1)高次元から低次元の縮小
2)種子画像生成、及び
3)低次元から高次元の展開。
第1のモジュールでは、白化過程のシーケンスを通して高から低次元の部分空間のシーケンスを構築し、それぞれがジョイント-空間-スペクトル表現のサンプルを含んでいる。
第2のモジュールでは、最低次元の部分空間でサンプルを生成する。
第3のモジュールでは、局所線形埋め込み(LLE)と一連の着色プロセスを通じて詳細を付加することにより、シード画像の適切な高次元サンプルを見つける。
実験によると、GenHopは、MNIST、Fashion-MNIST、CelebAデータセットのDLベースの生成モデルと比較すると、FIDスコアが同等またはそれ以上の視覚的に快適な画像を生成することができる。
関連論文リスト
- Magic-Boost: Boost 3D Generation with Mutli-View Conditioned Diffusion [88.02512124661884]
粗い生成結果を著しく洗練する多視点条件拡散モデルであるMagic-Boostを提案する。
以前のテキストや単一イメージベースの拡散モデルと比較して、Magic-Boostは高一貫性で画像を生成する堅牢な能力を示している。
入力画像の同一性によく整合した正確なSDSガイダンスを提供し、初期生成結果の幾何学的およびテクスチャの局所的な詳細を豊かにする。
論文 参考訳（メタデータ） (2024-04-09T16:20:03Z) - Generative Multiplane Neural Radiance for 3D-Aware Image Generation [102.15322193381617]
本稿では,複数のターゲットビューに対して連続した3次元高解像度画像を効率よく生成する手法を提案する。
我々のGMNRモデルは、単一のV100上で17.6FPSの1024×1024ピクセルの3D認識画像を生成する。
論文 参考訳（メタデータ） (2023-04-03T17:41:20Z) - GVP: Generative Volumetric Primitives [76.95231302205235]
本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。
GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。
いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
論文 参考訳（メタデータ） (2023-03-31T16:50:23Z) - 3D-aware Image Generation using 2D Diffusion Models [23.150456832947427]
我々は、3D対応画像生成タスクをマルチビュー2Dイメージセット生成として定式化し、さらにシーケンシャルな条件なしのマルチビュー画像生成プロセスにも適用する。
本研究では,2次元拡散モデルを用いて生成的モデリング能力を向上する。
我々は,既存の手法では扱えない大規模データセットであるImageNetで,本手法を訓練する。
論文 参考訳（メタデータ） (2023-03-31T09:03:18Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-10-19T17:56:03Z) - AnomalyHop: An SSL-based Image Anomaly Localization Method [47.56319291471639]
AnomalyHopは、連続したサブスペース学習(SSL)フレームワークに基づく画像異常局在化方法です。
AnomalyHopは数学的に透明で、トレーニングが簡単で、推論速度が速くなります。
MVTec ADデータセットにおけるROC曲線(ROC-AUC)パフォーマンスの領域は95.9%であり、いくつかのベンチマーク方法の中で最も優れている。
論文 参考訳（メタデータ） (2021-05-08T23:17:27Z) - Anatomical Data Augmentation via Fluid-based Image Registration [23.280420626023755]
医用画像解析のための流体画像強調法を提案する。
既存の手法とは対照的に,我々のフレームワークは測地線部分空間を介して有意義な画像を生成する。
論文 参考訳（メタデータ） (2020-07-05T21:06:00Z) - PixelHop++: A Small Successive-Subspace-Learning-Based (SSL-based) Model
for Image Classification [30.49387075658641]
改良されたPixelHopメソッドを提案し、それをPixelHop++と呼ぶ。
PixelHop++では、モデルサイズと分類性能のフレキシブルなトレードオフを取り除き、粒度の学習モデルサイズを制御することができる。
論文 参考訳（メタデータ） (2020-02-08T11:08:54Z)
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。