論文の概要: Understanding and contextualising diffusion models

• arxiv url: http://arxiv.org/abs/2302.01394v1
• Date: Thu, 26 Jan 2023 11:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-12 13:12:31.211659
• Title: Understanding and contextualising diffusion models
• Title（参考訳）: 拡散モデルの理解と文脈化
• Authors: Stefano Scotta, Alberto Messina
• Abstract要約: 拡散生成モデルは、無条件で画像を生成することができ、場合によっては、ユーザが提供した入力によって条件付けされる。 本研究は, それらの背後にある数学的理論に焦点をあてることで, どのように実現できるかを説明する。 この研究の目的は、興味のある読者に対して、数学的、直感的に何を意味するのかを明らかにすることである。
• 参考スコア（独自算出の注目度）: 0.76146285961466
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The latest developments in Artificial Intelligence include diffusion generative models, quite popular tools which can produce original images both unconditionally and, in some cases, conditioned by some inputs provided by the user. Apart from implementation details, which are outside the scope of this work, all of the main models used to generate images are substantially based on a common theory which restores a new image from a completely degraded one. In this work we explain how this is possible by focusing on the mathematical theory behind them, i.e. without analyzing in detail the specific implementations and related methods. The aim of this work is to clarify to the interested reader what all this means mathematically and intuitively.
• Abstract（参考訳）: 人工知能の最新の開発には、拡散生成モデル、無条件で、場合によってはユーザが提供した入力によって条件づけられたオリジナルのイメージを生成できる非常に一般的なツールが含まれている。 この作業の範囲外の実装の詳細は別として、画像を生成するために使用される主要なモデルはすべて、完全に劣化した画像から新しい画像を復元する共通の理論に基づいている。 本研究では,その背景にある数学的理論,すなわち具体的実装や関連する手法を詳細に分析することなく,これを実現する方法について説明する。 本研究の目的は, 興味のある読者に対して, 数学的, 直感的に何を意味するのかを明らかにすることである。

関連論文リスト

• Human-Object Interaction Detection Collaborated with Large Relation-driven Diffusion Models [65.82564074712836]
  テキストと画像の拡散モデルに光を流す新しいHOI検出器であるDIFfusionHOIを紹介する。 まず、埋め込み空間における人間と物体の関係パターンの表現をインバージョンベースで学習する戦略を考案する。 これらの学習された関係埋め込みはテキストのプロンプトとして機能し、スタイア拡散モデルが特定の相互作用を記述する画像を生成する。
  論文  参考訳（メタデータ） (2024-10-26T12:00:33Z)
• Toward a Diffusion-Based Generalist for Dense Vision Tasks [141.03236279493686]
  近年の研究では、画像自体が汎用的な視覚知覚のための自然なインタフェースとして利用できることが示されている。 我々は,画素空間での拡散を行い,高密度視覚タスクのための事前学習されたテキスト・画像拡散モデルを微調整するためのレシピを提案する。 実験では,4種類のタスクに対して評価を行い,他のビジョンジェネラリストと競合する性能を示す。
  論文  参考訳（メタデータ） (2024-06-29T17:57:22Z)
• CNN-based explanation ensembling for dataset, representation and explanations evaluation [1.1060425537315088]
  畳み込みモデルを用いた深層分類モデルによる説明文の要約の可能性について検討する。 実験と分析を通じて、モデル行動のより一貫性と信頼性のあるパターンを明らかにするために、説明を組み合わせることの意味を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2024-04-16T08:39:29Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• Compositional Visual Generation with Composable Diffusion Models [80.75258849913574]
  拡散モデルを用いた構成生成のための代替的な構造的アプローチを提案する。 画像は拡散モデルの集合を構成することで生成され、それぞれが画像の特定のコンポーネントをモデル化する。 提案手法は, トレーニングで見られるものよりもはるかに複雑なシーンを, テスト時に生成することができる。
  論文  参考訳（メタデータ） (2022-06-03T17:47:04Z)
• Global explainability in aligned image modalities [0.0]
  本研究では,各画素位置が画像オブジェクト上の類似相対位置を表すように,自然に整列する画像モダリティに着目した。 本稿では,ラベルやグローバルな説明を得るための簡単な方法として,画像に関する説明の画素単位での集約を提案する。 そして、これらの手法を、自然に整列した超広視野網膜画像に適用する。
  論文  参考訳（メタデータ） (2021-12-17T16:05:11Z)
• Counterfactual Generative Networks [59.080843365828756]
  画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。 適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。 その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-15T10:23:12Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)

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。