論文の概要: MODIFY: Model-driven Face Stylization without Style Images

• arxiv url: http://arxiv.org/abs/2303.09831v1
• Date: Fri, 17 Mar 2023 08:35:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 15:11:21.194207
• Title: MODIFY: Model-driven Face Stylization without Style Images
• Title（参考訳）: 修正:スタイルイメージのないモデル駆動のフェイススタイライゼーション
• Authors: Yuhe Ding, Jian Liang, Jie Cao, Aihua Zheng, Ran He
• Abstract要約: 既存の顔のスタイリング手法は、翻訳プロセス中に常にターゲット(スタイル)ドメインの存在を取得する。 そこで本研究では,MODel-drIven Face stYlization (MODIFY) と呼ばれる新たな手法を提案する。 複数の異なるデータセットに対する実験結果は、教師なし顔のスタイリングにおけるMODIFYの有効性を検証した。
• 参考スコア（独自算出の注目度）: 77.24793103549158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing face stylization methods always acquire the presence of the target (style) domain during the translation process, which violates privacy regulations and limits their applicability in real-world systems. To address this issue, we propose a new method called MODel-drIven Face stYlization (MODIFY), which relies on the generative model to bypass the dependence of the target images. Briefly, MODIFY first trains a generative model in the target domain and then translates a source input to the target domain via the provided style model. To preserve the multimodal style information, MODIFY further introduces an additional remapping network, mapping a known continuous distribution into the encoder's embedding space. During translation in the source domain, MODIFY fine-tunes the encoder module within the target style-persevering model to capture the content of the source input as precisely as possible. Our method is extremely simple and satisfies versatile training modes for face stylization. Experimental results on several different datasets validate the effectiveness of MODIFY for unsupervised face stylization.
• Abstract（参考訳）: 既存のフェイススタイライゼーション手法は、翻訳プロセス中に常にターゲット(スタイル)ドメインの存在を獲得し、これはプライバシー規則に違反し、現実世界のシステムでの適用性を制限する。 そこで本稿では,対象画像の依存性を回避するために生成モデルに依存するモデル駆動型顔スタイライゼーション(modify)を提案する。 簡単に言えば、MODIFYはまずターゲットドメインで生成モデルを訓練した後、提供されたスタイルモデルを介してソース入力をターゲットドメインに変換する。 マルチモーダルスタイル情報を保存するために、MODIFYはさらに追加のリマッピングネットワークを導入し、既知の連続分布をエンコーダの埋め込み空間にマッピングする。 ソースドメインの翻訳中、MODIFYはターゲットスタイルパーバーモデル内のエンコーダモジュールを微調整して、ソース入力の内容を可能な限り正確にキャプチャする。 本手法は非常に単純で,顔スタイライゼーションのための多彩なトレーニングモードを満足できる。 複数の異なるデータセットに対する実験結果は、教師なし顔のスタイリングにおけるMODIFYの有効性を検証する。

関連論文リスト

• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• DPStyler: Dynamic PromptStyler for Source-Free Domain Generalization [43.67213274161226]
  Source-Free Domain Generalization (SFDG) は、ソースドメインに頼ることなく、未確認のターゲットドメインに対して機能するモデルを開発することを目的としている。 SFDGにおける研究は、主に大規模視覚言語モデルの既存の知識に大きく依存している。 本稿では,動的PromptStyler(DPStyler)について紹介する。
  論文  参考訳（メタデータ） (2024-03-25T12:31:01Z)
• HiCAST: Highly Customized Arbitrary Style Transfer with Adapter Enhanced Diffusion Models [84.12784265734238]
  Arbitrary Style Transfer (AST)の目標は、あるスタイル参照の芸術的特徴を所定の画像/ビデオに注入することである。 各種のセマンティックな手がかりに基づいてスタイリング結果を明示的にカスタマイズできるHiCASTを提案する。 新たな学習目標をビデオ拡散モデルトレーニングに活用し,フレーム間の時間的一貫性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-01-11T12:26:23Z)
• One-shot Unsupervised Domain Adaptation with Personalized Diffusion Models [15.590759602379517]
  ラベル付きソースドメインからターゲットドメインへのセグメンテーションモデルの適用は、ドメイン適応において最も難しい問題の1つである。 テキストと画像の拡散モデルを用いて、写真リアル画像を用いた合成ターゲットデータセットを生成する。 実験の結果,本手法は最先端OSUDA法を最大7.1%超えることがわかった。
  論文  参考訳（メタデータ） (2023-03-31T14:16:38Z)
• A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive Learning [84.8813842101747]
  Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。 入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。 本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-03-09T04:35:00Z)
• Adversarial Style Augmentation for Domain Generalized Urban-Scene Segmentation [120.96012935286913]
  そこで本研究では,学習中にハードなスタイリング画像を生成可能な,新たな対向型拡張手法を提案する。 2つの合成から実のセマンティックセグメンテーションベンチマークの実験により、AdvStyleは目に見えない実領域におけるモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2022-07-11T14:01:25Z)
• Towards Controllable and Photorealistic Region-wise Image Manipulation [11.601157452472714]
  地域ごとのスタイル操作のための自動エンコーダアーキテクチャを用いた生成モデルを提案する。 我々は、コンテンツとスタイルの潜在表現の明示的な乱れを強制するために、コード一貫性の損失を適用します。 このモデルは、前景編集が背景コンテンツに干渉しないように、コンテンツアライメント損失によって制約される。
  論文  参考訳（メタデータ） (2021-08-19T13:29:45Z)
• StyleMeUp: Towards Style-Agnostic Sketch-Based Image Retrieval [119.03470556503942]
  クロスモーダルマッチング問題は通常、写真とスケッチのモダリティ間で共有されるセマンティックコンテンツを保存する共同埋め込み空間を学習することによって解決される。 効果的なモデルには、このスタイルの多様性を明確に説明する必要がある。 我々のモデルは、モデム間で共有されるセマンティックコンテンツだけでなく、目に見えないユーザースタイルにも適応できるので、モデルは真に不可知的です。
  論文  参考訳（メタデータ） (2021-03-29T15:44:19Z)

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。