論文の概要: Unsupervised Domain Adaptation GAN Inversion for Image Editing

• arxiv url: http://arxiv.org/abs/2211.12123v1
• Date: Tue, 22 Nov 2022 09:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 18:11:18.063593
• Title: Unsupervised Domain Adaptation GAN Inversion for Image Editing
• Title（参考訳）: 画像編集のための教師なし領域適応GANインバージョン
• Authors: Siyu Xing, Chen Gong, Hewei Guo, Xiao-Yu Zhang, Xinwen Hou, Yu Liu
• Abstract要約: 高品質かつ低品質な画像インバージョンと編集のために、Unsupervised Domain Adaptation (UDA) をInversionプロセスに導入する。 UDA-Inversionは、まず、高品質な画像と低品質の画像を、それぞれソースドメインと未ラベルのターゲットドメインとみなしている。 UDA-inversionは、複数のドメインデータセットにまたがる低品質画像において、教師付き手法で同等のパフォーマンスを実現する最初の方法であることを示す。
• 参考スコア（独自算出の注目度）: 25.344257228626713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing GAN inversion methods work brilliantly for high-quality image reconstruction and editing while struggling with finding the corresponding high-quality images for low-quality inputs. Therefore, recent works are directed toward leveraging the supervision of paired high-quality and low-quality images for inversion. However, these methods are infeasible in real-world scenarios and further hinder performance improvement. In this paper, we resolve this problem by introducing Unsupervised Domain Adaptation (UDA) into the Inversion process, namely UDA-Inversion, for both high-quality and low-quality image inversion and editing. Particularly, UDA-Inversion first regards the high-quality and low-quality images as the source domain and unlabeled target domain, respectively. Then, a discrepancy function is presented to measure the difference between two domains, after which we minimize the source error and the discrepancy between the distributions of two domains in the latent space to obtain accurate latent codes for low-quality images. Without direct supervision, constructive representations of high-quality images can be spontaneously learned and transformed into low-quality images based on unsupervised domain adaptation. Experimental results indicate that UDA-inversion is the first that achieves a comparable level of performance with supervised methods in low-quality images across multiple domain datasets. We hope this work provides a unique inspiration for latent embedding distributions in image process tasks.
• Abstract（参考訳）: 既存のGANインバージョン手法は、高品質な画像再構成と編集に優れ、低品質な入力に対して対応する高品質な画像を見つけるのに苦労している。 そこで,近年の研究では,高画質画像と低画質画像の組み合わせをインバージョンに活用することを目指している。 しかし、これらの手法は現実のシナリオでは実現不可能であり、さらなる性能向上を妨げる。 本稿では,高品質かつ低品質な画像インバージョンと編集のために,Unsupervised Domain Adaptation (UDA) をインバージョンプロセス、すなわち UDA-Inversion に導入することで,この問題を解決する。 特に、udaインバージョンでは、まず、高品質画像と低品質画像をそれぞれソースドメインとラベルなしターゲットドメインとして捉えている。 次に、2つの領域間の差分を測るために、差分関数を提示し、その後、潜時空間における2つの領域の分布のずれを最小化し、低画質画像の正確な潜時符号を得る。 直接監督なしでは、高品質な画像の構成表現を自然に学習し、教師なし領域適応に基づいて低品質の画像に変換することができる。 実験結果から,複数のドメインデータセットにまたがる低品質画像において,教師付き手法で同等のパフォーマンスを実現するのは,UDA-inversionが初めてであることが示唆された。 この研究が、イメージプロセスタスクに潜伏した埋め込み分布にユニークなインスピレーションを与えてくれることを願っています。

関連論文リスト

• In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
  ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。 エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
  論文  参考訳（メタデータ） (2023-09-25T08:42:06Z)
• Dual Associated Encoder for Face Restoration [68.49568459672076]
  低品質(LQ)画像から顔の詳細を復元するために,DAEFRという新しいデュアルブランチフレームワークを提案する。 提案手法では,LQ入力から重要な情報を抽出する補助的なLQ分岐を導入する。 合成と実世界の両方のデータセットに対するDAEFRの有効性を評価する。
  論文  参考訳（メタデータ） (2023-08-14T17:58:33Z)
• HQG-Net: Unpaired Medical Image Enhancement with High-Quality Guidance [45.84780456554191]
  Unpaired Medical Image Enhancement (UMIE)は、低品質(LQ)の医用画像から高品質(HQ)の画像に変換することを目的としている。 本稿では, HQ cues を直接 LQ エンハンスメントプロセスに符号化することで, 既存の手法の制限を回避する新しい UMIE 手法を提案する。 我々は、生成したHQイメージがHQドメインに落下することを確実にするために、差別者と反対に拡張ネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-07-15T15:26:25Z)
• I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。 この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。 本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-01-03T15:19:48Z)
• High-Fidelity GAN Inversion for Image Attribute Editing [61.966946442222735]
  本稿では,画像固有の詳細をよく保存した属性編集を可能にする,GAN(High-fidelity Generative Adversarial Network)インバージョンフレームワークを提案する。 低ビットレートの遅延符号では、再構成された画像や編集された画像の高忠実度の詳細を保存することは困難である。 高忠実度復元のための基準として歪みマップを用いる歪みコンサルテーション手法を提案する。
  論文  参考訳（メタデータ） (2021-09-14T11:23:48Z)
• DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation [97.74059510314554]
  セグメンテーションのための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。 既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。 本稿では,新しいDual Soft-Paste (DSP)法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T16:22:40Z)
• Super-Resolving Cross-Domain Face Miniatures by Peeking at One-Shot Exemplar [42.78574493628936]
  DAP-FSRネットワークというドメイン対応ピラミッド型顔超解像ネットワークを開発した。 DAP-FSRは、ターゲットドメイン内の一対の高分解能(HR)とLRの例のみを利用して、ターゲットドメインからLR面を超解決する最初の試みです。 遅延表現とデコーダを反復的に更新することで、DAP-FSRはターゲットドメインに適応する。
  論文  参考訳（メタデータ） (2021-03-16T05:47:26Z)
• Image Inpainting with Learnable Feature Imputation [8.293345261434943]
  正規畳み込み層は、未知の領域にフィルターを適用するのと同じ方法で、塗装された画像の視覚的アーティファクトを引き起こす。 本稿では,欠落した入力値の畳み込みに対する(階層的な)特徴計算を提案する。 我々はCelebA-HQとPlaces2を比較し,そのモデルを検証する。
  論文  参考訳（メタデータ） (2020-11-02T16:05:32Z)
• In-Domain GAN Inversion for Real Image Editing [56.924323432048304]
  トレーニング済みのGANジェネレータに実際のイメージを送出する一般的な方法は、遅延コードに戻すことである。 既存の反転法は、通常、画素値によってターゲット画像の再構成にフォーカスするが、反転したコードは元の潜伏空間のセマンティックドメインに着陸しない。 本稿では、入力画像を忠実に再構成し、変換されたコードが編集に意味のある意味を持つようにするためのドメイン内GAN逆変換手法を提案する。
  論文  参考訳（メタデータ） (2020-03-31T18:20:18Z)

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。