論文の概要: Domain Re-Modulation for Few-Shot Generative Domain Adaptation

• arxiv url: http://arxiv.org/abs/2302.02550v1
• Date: Mon, 6 Feb 2023 03:55:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 17:40:14.035196
• Title: Domain Re-Modulation for Few-Shot Generative Domain Adaptation
• Title（参考訳）: ファウショット生成領域適応のためのドメイン再変調
• Authors: Yi Wu, Ziqiang Li, Chaoyue Wang, Heliang Zheng, Shanshan Zhao, Bin Li, Dacheng Ta
• Abstract要約: 数ショット生成領域適応(GDA)の課題について検討する。 GDAは、訓練済みのジェネレータを1つまたは数個の参照イメージを使用して、あるドメインから新しいドメインに転送する。 そこで本研究では,DoRM(Domain Re-Modulation)法を提案する。
• 参考スコア（独自算出の注目度）: 29.964680583388187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we investigate the task of few-shot Generative Domain Adaptation (GDA), which involves transferring a pre-trained generator from one domain to a new domain using one or a few reference images. Building upon previous research that has focused on Target-domain Consistency, Large Diversity, and Cross-domain Consistency, we conclude two additional desired properties for GDA: Memory and Domain Association. To meet these properties, we proposed a novel method Domain Re-Modulation (DoRM). Specifically, DoRM freezes the source generator and employs additional mapping and affine modules (M&A module) to capture the attributes of the target domain, resulting in a linearly combinable domain shift in style space. This allows for high-fidelity multi-domain and hybrid-domain generation by integrating multiple M&A modules in a single generator. DoRM is lightweight and easy to implement. Extensive experiments demonstrated the superior performance of DoRM on both one-shot and 10-shot GDA, both quantitatively and qualitatively. Additionally, for the first time, multi-domain and hybrid-domain generation can be achieved with a minimal storage cost by using a single model. The code will be available at https://github.com/wuyi2020/DoRM.
• Abstract（参考訳）: 本研究では,学習済みジェネレータを1つ以上の参照画像を用いて1つのドメインから新しいドメインに転送する,数ショット生成ドメイン適応(GDA)の課題について検討する。 目標領域整合性、大ダイバーシティ、クロスドメイン整合性に着目した以前の研究に基づいて、GDAに望ましい2つの特性、メモリとドメインアソシエーションを結論付ける。 これらの特性を満たすために,我々は新しいメソッドドメイン再変調 (dorm) を提案する。 具体的には、DoRMはソースジェネレータを凍結し、マッピングとアフィンモジュール(M&Aモジュール)を追加してターゲットドメインの属性をキャプチャし、スタイル空間において線形に結合可能なドメインシフトをもたらす。 これにより、単一のジェネレータに複数のM&Aモジュールを統合することで、高忠実なマルチドメインとハイブリッドドメインの生成が可能になる。 DoRMは軽量で実装が容易です。 広汎な実験は、1ショットと10ショットのGDAにおいて、量的および定性的にDoRMの優れた性能を示した。 さらに、単一モデルを使用することで、初めて、マルチドメインとハイブリッドドメインの生成を最小限のストレージコストで達成できる。 コードはhttps://github.com/wuyi2020/DoRM.comから入手できる。

関連論文リスト

• UniHDA: A Unified and Versatile Framework for Multi-Modal Hybrid Domain Adaptation [22.003900281544766]
  提案するUniHDAは,複数のドメインからのマルチモーダル参照を持つハイブリッドドメインを生成可能なフレームワークである。 我々のフレームワークはジェネレータに依存しず、StyleGAN, EG3D, Diffusion Modelsなどの複数のジェネレータに汎用的です。
  論文  参考訳（メタデータ） (2024-01-23T09:49:24Z)
• Few-shot Hybrid Domain Adaptation of Image Generators [14.779903669510846]
  Few-shot Hybrid Domain Adaptationは、すべてのターゲットドメインの統合属性を保存する適応型ジェネレータを取得することを目的としている。 本稿では,異なる領域の画像を分離可能な部分空間に直接エンコードする,差別化不要なフレームワークを提案する。 実験により,本手法は単一適応型ジェネレータにおいて多くのドメイン固有属性を得ることができることが示された。
  論文  参考訳（メタデータ） (2023-10-30T09:35:43Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Towards Diverse and Faithful One-shot Adaption of Generative Adversarial Networks [54.80435295622583]
  ワンショット生成ドメイン適応は、訓練済みのジェネレータを1つの参照画像のみを使用して、新しいドメインに転送することを目的としている。 本稿では、多種多様な世代と忠実な適応のための新しい一発生成ドメイン適応法、すなわち、DiFaを提案する。
  論文  参考訳（メタデータ） (2022-07-18T16:29:41Z)
• Domain Invariant Masked Autoencoders for Self-supervised Learning from Multi-domains [73.54897096088149]
  マルチドメインからの自己教師型学習のためのドメイン不変のMasked AutoEncoder (DiMAE)を提案する。 中心となる考え方は、入力画像を異なるドメインからのスタイルノイズで拡張し、拡張イメージの埋め込みからイメージを再構築することである。 PACSとDomainNetの実験は、最近の最先端の手法と比較して、DiMAEがかなりの利益を得ていることを示している。
  論文  参考訳（メタデータ） (2022-05-10T09:49:40Z)
• Unsupervised Domain Adaptation with Semantic Consistency across Heterogeneous Modalities for MRI Prostate Lesion Segmentation [19.126306953075275]
  セマンティック一貫性を促進する2つの新しい損失関数を導入する。 特に,高度な拡散強調画像技術であるVERDICT-MRIの性能向上の課題に対処する。
  論文  参考訳（メタデータ） (2021-09-19T17:33:26Z)
• Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
  モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。 ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。 実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
  論文  参考訳（メタデータ） (2021-03-19T01:22:12Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。