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
- Self-supervised Domain-agnostic Domain Adaptation for Satellite Images [18.151134198549574]
このようなドメイン定義なしでドメイン適応を行うための自己教師付きドメイン非依存ドメイン適応(SS(DA)2)手法を提案する。
まず,2つの衛星画像パッチ間で画像と画像の変換を行うために,生成ネットワークのトレーニングを行う。
そして、異なる試験スペクトル特性でトレーニングデータを増強することにより、下流モデルの一般化性を向上させる。
論文 参考訳(メタデータ) (2023-09-20T07:37:23Z) - ReContrast: Domain-Specific Anomaly Detection via Contrastive
Reconstruction [29.370142078092375]
殆どの高度な教師なし異常検出(UAD)手法は、大規模データセットで事前訓練された冷凍エンコーダネットワークの特徴表現をモデル化することに依存している。
本稿では,事前学習した画像領域に対するバイアスを低減するために,ネットワーク全体を最適化する新しい疫学的UAD手法であるReContrastを提案する。
2つの一般的な産業欠陥検出ベンチマークと3つの医用画像UADタスクで実験を行い、現在の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-05T05:21:15Z) - Multi-cropping Contrastive Learning and Domain Consistency for
Unsupervised Image-to-Image Translation [5.562419999563734]
マルチクロップ型コントラスト学習とドメイン整合性に基づく新しい教師なし画像から画像への翻訳フレームワーク MCDUT を提案する。
多くの画像と画像の翻訳タスクにおいて,本手法は最先端の結果を達成し,その利点は比較実験とアブレーション研究によって証明されている。
論文 参考訳(メタデータ) (2023-04-24T16:20:28Z) - 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) - Refign: Align and Refine for Adaptation of Semantic Segmentation to
Adverse Conditions [78.71745819446176]
Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。
Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。
このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
論文 参考訳(メタデータ) (2022-07-14T11:30:38Z) - Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。
第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。
第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
論文 参考訳(メタデータ) (2021-08-22T06:38:19Z) - A New Bidirectional Unsupervised Domain Adaptation Segmentation
Framework [27.13101555533594]
異なるドメイン間のギャップを埋めるために、教師なしドメイン適応(UDA)技術が提案されている。
本稿では,両方向のUDA演奏に対して,非交互表現学習に基づく双方向UDAフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-18T05:25:11Z) - Learning Unsupervised Cross-domain Image-to-Image Translation Using a
Shared Discriminator [2.1377923666134118]
教師なし画像画像変換は、ソースドメインから画像を変換して、ソースターゲット画像ペアを使用することなく、ターゲットドメインで画像を生成するために使用される。
本稿では,2つのGAN間の1つの共有判別器を用いた新しい手法を提案する。
提案手法は,注意機構を付加せずにも,注意に基づく手法と同等に動作し,同等の画質の画像を生成できることが示唆された。
論文 参考訳(メタデータ) (2021-02-09T08:26:23Z) - Towards Unsupervised Deep Image Enhancement with Generative Adversarial
Network [92.01145655155374]
監視されていない画像強調生成ネットワーク(UEGAN)を提案する。
教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。
その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
論文 参考訳(メタデータ) (2020-12-30T03:22:46Z) - Domain Contrast for Domain Adaptive Object Detection [79.77438747622135]
ドメインコントラスト(ドメインコントラスト、Domain Contrast、DC)は、ドメイン適応検出器の訓練のための対照的な学習にインスパイアされたアプローチである。
DCは画像レベルでも領域レベルでも適用可能で、検出器の転送性や識別性は一貫して改善されている。
論文 参考訳(メタデータ) (2020-06-26T08:45:36Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳(メタデータ) (2020-02-07T03:45:25Z)
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。