論文の概要: DEff-GAN: Diverse Attribute Transfer for Few-Shot Image Synthesis
- arxiv url: http://arxiv.org/abs/2302.14533v1
- Date: Tue, 28 Feb 2023 12:43:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 16:33:24.388197
- Title: DEff-GAN: Diverse Attribute Transfer for Few-Shot Image Synthesis
- Title（参考訳）: Deff-GAN:Few-Shot画像合成のための分散属性変換
- Authors: Rajiv Kumar, G. Sivakumar
- Abstract要約: 我々は、サンプル合成のための複数の画像をモデル化するために、単一画像GAN法を拡張した。
我々のデータ効率GAN(DEff-GAN)は、入力画像やクラス間で類似性や対応性を引き出すことができる場合に優れた結果をもたらす。
- 参考スコア（独自算出の注目度）: 0.38073142980733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Requirements of large amounts of data is a difficulty in training many GANs.
Data efficient GANs involve fitting a generators continuous target distribution
with a limited discrete set of data samples, which is a difficult task. Single
image methods have focused on modeling the internal distribution of a single
image and generating its samples. While single image methods can synthesize
image samples with diversity, they do not model multiple images or capture the
inherent relationship possible between two images. Given only a handful of
images, we are interested in generating samples and exploiting the
commonalities in the input images. In this work, we extend the single-image GAN
method to model multiple images for sample synthesis. We modify the
discriminator with an auxiliary classifier branch, which helps to generate a
wide variety of samples and to classify the input labels. Our Data-Efficient
GAN (DEff-GAN) generates excellent results when similarities and
correspondences can be drawn between the input images or classes.
- Abstract（参考訳）: 大量のデータの要求は、多くのganのトレーニングが難しい。
データ効率のよいganは、ジェネレータの連続ターゲット分布を限られたデータサンプルの離散セットに適合させるが、これは難しい作業である。
単一画像法は、単一画像の内部分布をモデル化し、そのサンプルを生成することに重点を置いている。
単一画像法は画像サンプルを多様性で合成することができるが、複数の画像をモデル化したり、2つの画像間の固有の関係を捉えることはできない。
少数の画像だけを考えると、私たちはサンプルを生成し、入力画像の共通点を活用することに興味があります。
本研究では,サンプル合成のための複数画像のモデリングに単一画像GAN法を拡張した。
我々は識別器を補助分類器ブランチで修正し、多様なサンプルを生成し、入力ラベルを分類するのに役立つ。
我々のデータ効率GAN(DEff-GAN)は、入力画像やクラス間で類似性や対応性を引き出すことができる場合に優れた結果をもたらす。
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) - Glauber Generative Model: Discrete Diffusion Models via Binary Classification [21.816933208895843]
離散拡散モデルの新しいクラスであるグラウバー生成モデル(GGM)を紹介する。
GGMはマルコフ連鎖を展開させ、離散トークンの共分散からサンプルにノイズトークンの列を分解する。
言語生成や画像生成において,既存の離散拡散モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-05-27T10:42:13Z) - Deep Generative Sampling in the Dual Divergence Space: A Data-efficient & Interpretative Approach for Generative AI [29.13807697733638]
自然画像の生成的サンプリングにおける顕著な成果の上に構築する。
我々は、画像に似たサンプルを生成するという、画期的な挑戦を、潜在的に過度に野心的に提案する。
統計上の課題は、小さなサンプルサイズであり、時には数百人の被験者で構成されている。
論文 参考訳（メタデータ） (2024-04-10T22:35:06Z) - DREAM+: Efficient Dataset Distillation by Bidirectional Representative
Matching [40.18223537419178]
本稿では,DREAM+と呼ばれる新しいデータセットマッチング手法を提案する。
DREAM+は、蒸留の繰り返し回数を15回以上減らし、性能に影響を与えない。
十分なトレーニング時間があれば、DREAM+はパフォーマンスをさらに向上し、最先端の結果を得ることができる。
論文 参考訳（メタデータ） (2023-10-23T15:55:30Z) - Bridging the Gap between Synthetic and Authentic Images for Multimodal
Machine Translation [51.37092275604371]
マルチモーダル機械翻訳(MMT)は、ソース文と関連する画像を同時に翻訳の入力とする。
近年の研究では、画像入力のための強力なテキスト・画像生成モデルが提案されている。
しかし、これらのモデルによって生成された合成画像は、実際の画像と比較して異なる分布を辿ることが多い。
論文 参考訳（メタデータ） (2023-10-20T09:06:30Z) - Analog Bits: Generating Discrete Data using Diffusion Models with
Self-Conditioning [90.02873747873444]
ビット拡散(Bit Diffusion)は、連続拡散モデルを用いて離散データを生成する一般的な手法である。
提案手法は,画像生成タスクと画像キャプションタスクの両方において,高い性能を実現することができる。
MS-COCOデータセットの画像キャプションでは, 自己回帰モデルと比較して, 競合的な結果が得られる。
論文 参考訳（メタデータ） (2022-08-08T15:08:40Z) - 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) - 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) - Diverse Semantic Image Synthesis via Probability Distribution Modeling [103.88931623488088]
新規な多様な意味的画像合成フレームワークを提案する。
本手法は最先端手法と比較して優れた多様性と同等の品質を実現することができる。
論文 参考訳（メタデータ） (2021-03-11T18:59:25Z) - Training End-to-end Single Image Generators without GANs [27.393821783237186]
AugurOneは、単一画像生成モデルをトレーニングするための新しいアプローチである。
提案手法は,入力画像の非アフィン強化を用いて,アップスケーリングニューラルネットワークを訓練する。
制御画像合成が可能なコンパクト潜在空間を共同で学習する。
論文 参考訳（メタデータ） (2020-04-07T17:58:03Z)
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。