論文の概要: BlendGAN: Learning and Blending the Internal Distributions of Single Images by Spatial Image-Identity Conditioning

• arxiv url: http://arxiv.org/abs/2212.01589v1
• Date: Sat, 3 Dec 2022 10:38:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 17:07:22.697594
• Title: BlendGAN: Learning and Blending the Internal Distributions of Single Images by Spatial Image-Identity Conditioning
• Title（参考訳）: BlendGAN:空間像密度条件による単一画像の内部分布の学習とブレンディング
• Authors: Idan Kligvasser, Tamar Rott Shaham, Noa Alkobi and Tomer Michaeli
• Abstract要約: 単一画像生成法は、複数のスケールで単一の自然な画像の内部パッチ分布を学習するために設計されている。 複数の画像の内部分布を同時に学習できる拡張フレームワークを提案する。 私たちのBlendGANは、シングルイメージモデルでサポートされていないアプリケーションへの扉を開きます。
• 参考スコア（独自算出の注目度）: 37.21764919074815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training a generative model on a single image has drawn significant attention in recent years. Single image generative methods are designed to learn the internal patch distribution of a single natural image at multiple scales. These models can be used for drawing diverse samples that semantically resemble the training image, as well as for solving many image editing and restoration tasks that involve that particular image. Here, we introduce an extended framework, which allows to simultaneously learn the internal distributions of several images, by using a single model with spatially varying image-identity conditioning. Our BlendGAN opens the door to applications that are not supported by single-image models, including morphing, melding, and structure-texture fusion between two or more arbitrary images.
• Abstract（参考訳）: 近年,単一の画像上で生成モデルを訓練することが注目されている。 単一画像生成法は、複数のスケールで単一の自然な画像の内部パッチ分布を学習するために設計されている。 これらのモデルは、トレーニングイメージにセマンティックに類似した多様なサンプルの描画や、その画像を含む多くの画像編集および復元タスクの解決に使用することができる。 本稿では,空間的に変化する画像同一性条件付き単一モデルを用いて,複数の画像の内部分布を同時に学習できる拡張フレームワークを提案する。 私たちのBlendGANは、モーフィング、溶接、および2つ以上の任意の画像間の構造・テクスチャ融合を含む、単一イメージモデルでサポートされていないアプリケーションへの扉を開く。

関連論文リスト

• A Simple Approach to Unifying Diffusion-based Conditional Generation [63.389616350290595]
  多様な条件生成タスクを処理するための、シンプルで統一されたフレームワークを導入します。 提案手法は,異なる推論時間サンプリング方式による多目的化を実現する。 我々のモデルは、非親密なアライメントや粗い条件付けのような追加機能をサポートしています。
  論文  参考訳（メタデータ） (2024-10-15T09:41:43Z)
• Many-to-many Image Generation with Auto-regressive Diffusion Models [59.5041405824704]
  本稿では,与えられた画像集合から関連画像系列を生成可能な多対多画像生成のためのドメイン汎用フレームワークを提案する。 我々は,25個の相互接続された画像を含む12Mの合成マルチイメージサンプルを含む,新しい大規模マルチイメージデータセットMISを提案する。 我々はM2Mを学習し、M2Mは多対多生成のための自己回帰モデルであり、各画像は拡散フレームワーク内でモデル化される。
  論文  参考訳（メタデータ） (2024-04-03T23:20:40Z)
• A Method for Training-free Person Image Picture Generation [4.043367784553845]
  本稿では,キャラクタ画像の特徴モデルを提案する。 これにより、ユーザーは文字の画像を簡単に提供して、生成された画像中の文字の画像と期待値とを一致させることで、プロセスを利用することができる。 提案モデルは, モデルを変更したり, 継手モデルとして使用したりすることなく, 安定拡散生成プロセスに簡便に組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-16T21:46:28Z)
• SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
  SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。 第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2022-11-22T18:00:03Z)
• FewGAN: Generating from the Joint Distribution of a Few Images [95.6635227371479]
  本稿では,新しい,高品質で多様な画像を生成するための生成モデルFewGANを紹介する。 FewGANは、第1の粗いスケールで量子化を適用した階層的なパッチGANであり、その後、より微細なスケールで残った完全畳み込みGANのピラミッドが続く。 大規模な実験では、FewGANは定量的にも定性的にも基線より優れていることが示されている。
  論文  参考訳（メタデータ） (2022-07-18T07:11:28Z)
• EdiBERT, a generative model for image editing [12.605607949417033]
  EdiBERTは、ベクトル量子化オートエンコーダによって構築された離散潜在空間で訓練された双方向変換器である。 結果のモデルが,多種多様なタスクにおける最先端のパフォーマンスと一致することを示す。
  論文  参考訳（メタデータ） (2021-11-30T10:23:06Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Enhance Images as You Like with Unpaired Learning [8.104571453311442]
  本稿では,低照度から高照度の画像空間における一対多の関係を学習するために,軽量な一経路条件生成対向ネットワーク(cGAN)を提案する。 我々のネットワークは、様々な参照画像上に設定された所定の入力条件から、拡張された画像の集合を生成することを学習する。 我々のモデルは、ノイズとクリーンなデータセットの完全な教師付き手法と同等に競合する視覚的および定量的な結果を得る。
  論文  参考訳（メタデータ） (2021-10-04T03:00:44Z)

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。