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
- Towards Aligned Layout Generation via Diffusion Model with Aesthetic
Constraints [51.48125123822496]
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 [106.06185677214353]
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) - Finding and Fixing Spurious Patterns with Explanations [14.591545536354621]
画像分類器のスプリアスパターンを識別・緩和するためのエンドツーエンドパイプラインを提案する。
人を隠すとテニスラケットの予測が63%の時間変化する」といったパターンが見つかる。
そして、パターンが刺激的であれば、新しい形式のデータ拡張によってそれを緩和します。
論文 参考訳(メタデータ) (2021-06-03T20:07:46Z) - 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) - 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。