論文の概要: DiffPattern: Layout Pattern Generation via Discrete Diffusion

• arxiv url: http://arxiv.org/abs/2303.13060v1
• Date: Thu, 23 Mar 2023 06:16:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 15:33:31.704284
• Title: DiffPattern: Layout Pattern Generation via Discrete Diffusion
• Title（参考訳）: DiffPattern:離散拡散によるレイアウトパターン生成
• Authors: Zixiao Wang, Yunheng Shen, Wenqian Zhao, Yang Bai, Guojin Chen, Farzan Farnia, Bei Yu
• Abstract要約: 信頼性の高いレイアウトパターンを生成するツールDiffPatternを提案する。 いくつかのベンチマーク設定の実験では、ToolDiffPatternが既存のベースラインを大幅に上回っていることが示されています。
• 参考スコア（独自算出の注目度）: 16.148506119712735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models dominate the existing literature in layout pattern generation. However, leaving the guarantee of legality to an inexplicable neural network could be problematic in several applications. In this paper, we propose \tool{DiffPattern} to generate reliable layout patterns. \tool{DiffPattern} introduces a novel diverse topology generation method via a discrete diffusion model with compute-efficiently lossless layout pattern representation. Then a white-box pattern assessment is utilized to generate legal patterns given desired design rules. Our experiments on several benchmark settings show that \tool{DiffPattern} significantly outperforms existing baselines and is capable of synthesizing reliable layout patterns.
• Abstract（参考訳）: ディープジェネレーティブモデルは、レイアウトパターン生成における既存の文献を支配している。 しかしながら、いくつかのアプリケーションでは、説明不能なニューラルネットワークに合法性を保証することが問題になる可能性がある。 本稿では,信頼できるレイアウトパターンを生成するために, \tool{diffpattern} を提案する。 \tool{DiffPattern} は,計算効率の低いレイアウトパターン表現を持つ離散拡散モデルを用いて,新しい多様なトポロジ生成手法を提案する。 そして、ホワイトボックスパターンアセスメントを使用して、望ましい設計規則が与えられた法的パターンを生成する。 いくつかのベンチマーク設定実験により,\tool{DiffPattern} は既存のベースラインを著しく上回り,信頼性の高いレイアウトパターンを合成できることがわかった。

関連論文リスト

• Structured Pattern Expansion with Diffusion Models [6.726377308248659]
  拡散モデルの最近の進歩は、材料、テクスチャ、および3次元形状の合成を著しく改善した。 本稿では、拡散モデルが一般に信頼性が低く、より重要なことに、制御不能な構造的定常パターンの合成に対処する。 これにより、ユーザは入力の構造と詳細を保存しながら、部分的に手書きのパターンをより大きなデザインに拡張することで、合成を直接制御することができる。
  論文  参考訳（メタデータ） (2024-11-12T18:39:23Z)
• PatternPaint: Generating Layout Patterns Using Generative AI and Inpainting Techniques [5.126358554705107]
  既存のトレーニングベースのMLパターン生成アプローチでは、技術ノード開発の初期段階において、法的レイアウトパターンの生成に苦労している。 DRCクリーントレーニングサンプルを限定した法的なパターンを生成可能な,トレーニングフリーなフレームワークであるPatternPaintを提案する。 PatternPaintは、20デザインルールのきれいなレイアウトパターンを入力として使用して、複雑な2Dレイアウトパターンライブラリを生成する最初のフレームワークである。
  論文  参考訳（メタデータ） (2024-09-02T16:02:26Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Towards Aligned Layout Generation via Diffusion Model with Aesthetic Constraints [53.66698106829144]
  広い範囲のレイアウト生成タスクを処理する統一モデルを提案する。 このモデルは連続拡散モデルに基づいている。 実験結果から,LACEは高品質なレイアウトを生成することがわかった。
  論文  参考訳（メタデータ） (2024-02-07T11:12:41Z)
• LayoutDiffusion: Improving Graphic Layout Generation by Discrete Diffusion Probabilistic Models [50.73105631853759]
  レイアウト自動生成のための新しい生成モデルLayoutDiffusionを提案する。 このプロセスでは,前方ステップの成長に伴うレイアウトの混乱が増している。 これにより、プラグアンドプレイ方式で2つの条件付きレイアウト生成タスクを再トレーニングすることなく実現し、既存の方法よりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-03-21T04:41:02Z)
• Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
  拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。 本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。 これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
  論文  参考訳（メタデータ） (2023-02-22T18:48:46Z)
• DiffusER: Discrete Diffusion via Edit-based Reconstruction [88.62707047517914]
  DiffusERは、拡散モデルに基づくテキストの編集ベースの生成モデルである。 機械翻訳、要約、スタイル転送にまたがるいくつかのタスクにおいて、自動回帰モデルと競合する可能性がある。 また、標準的な自己回帰モデルに適さないような、他の種類の世代も実行することができる。
  論文  参考訳（メタデータ） (2022-10-30T16:55:23Z)
• Rewriting a Deep Generative Model [56.91974064348137]
  我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。 本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。 本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:58:16Z)
• A Probabilistic Generative Model for Typographical Analysis of Early Modern Printing [44.62884731273421]
  印刷された近世文書のグリフ形状を解析するための,深く解釈可能な確率的生成モデルを提案する。 提案手法では,テンプレートパラメータから順応可能な潜伏変数を用いて,まずよく理解された印刷摂動を生成するニューラルエディターモデルを提案する。 本手法は,混在文書中の書体を完全に教師なしで発見する作業において,厳密な解釈可能なクラスタリングベースライン(Ocular)および過度に柔軟な深層生成モデル(VAE)よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-04T17:01:11Z)

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。