論文の概要: Energy-Efficient Downlink Semantic Generative Communication with
Text-to-Image Generators
- arxiv url: http://arxiv.org/abs/2306.05041v1
- Date: Thu, 8 Jun 2023 08:49:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 15:25:49.232837
- Title: Energy-Efficient Downlink Semantic Generative Communication with
Text-to-Image Generators
- Title（参考訳）: テキスト対画像生成器を用いたエネルギー効率の高いダウンリンク意味生成通信
- Authors: Hyein Lee, Jihong Park, Sooyoung Kim, Jinho Choi
- Abstract要約: 本稿では,ユーザがT2I(text-to-image)ジェネレータを利用して,ダウンロードしたテキストプロンプトからローカルに画像を生成する,新しいセマンティック・ジェネレーション・コミュニケーション(SGC)フレームワークを提案する。
生成ユーザは基地局でのダウンリンク伝送エネルギーを減らすのに役立ちますが、画像生成と生成状態情報のアップロードに余分なエネルギーを消費します。
我々は,BSとユーザ全体のエネルギー消費を最小化する問題を定式化し,生成的ユーザ選択アルゴリズムを考案する。
- 参考スコア（独自算出の注目度）: 46.316667772452675
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, we introduce a novel semantic generative communication (SGC)
framework, where generative users leverage text-to-image (T2I) generators to
create images locally from downloaded text prompts, while non-generative users
directly download images from a base station (BS). Although generative users
help reduce downlink transmission energy at the BS, they consume additional
energy for image generation and for uploading their generator state information
(GSI). We formulate the problem of minimizing the total energy consumption of
the BS and the users, and devise a generative user selection algorithm.
Simulation results corroborate that our proposed algorithm reduces total energy
by up to 54% compared to a baseline with all non-generative users.
- Abstract（参考訳）: 本稿では,生成ユーザがT2I(text-to-image)ジェネレータを利用して,ダウンロードしたテキストプロンプトからローカルに画像を生成するのに対して,生成しないユーザはベースステーション(BS)から直接画像をダウンロードする,新しい意味的生成通信(SGC)フレームワークを提案する。
ジェネレイティブユーザはbsでのダウンリンク伝送エネルギーの削減に寄与するが、画像生成やジェネレータ状態情報(gsi)のアップロードに余分なエネルギーを消費する。
我々は,BSとユーザ全体のエネルギー消費を最小化する問題を定式化し,生成的ユーザ選択アルゴリズムを考案する。
シミュレーションの結果,提案アルゴリズムは,非生成ユーザのベースラインと比較して最大54%のエネルギー削減を実現した。
関連論文リスト
- Generative Network Layer for Communication Systems with Artificial
Intelligence [34.67962234401005]
本稿では,中間ノードやエッジノードで生成AI(GenAI)を利用する生成ネットワーク層を提案する。
我々はGenAI支援ノードが実質的に圧縮された潜在表現からなるプロンプトから画像を生成するケーススタディを行う。
論文 参考訳（メタデータ） (2023-12-08T22:41:07Z) - Exploring Sparse MoE in GANs for Text-conditioned Image Synthesis [74.41024864104303]
本稿では,GANベースのテキスト・ツー・イメージ・ジェネレータであるAuroraについて紹介する。
64x64の解像度で, LAION2BenおよびCOYO700M 6.2ゼロショットFIDをMS COCO上でトレーニングした。
論文 参考訳（メタデータ） (2023-09-07T17:59:43Z) - Energy-Based Cross Attention for Bayesian Context Update in
Text-to-Image Diffusion Models [62.603753097900466]
本稿では,文脈ベクトルの後部をモデル化し,適応的文脈制御のための新しいエネルギーベースモデル(EBM)を提案する。
具体的には、まず遅延画像表現とテキスト埋め込みのESMをデノナイズドオートエンコーダの各クロスアテンション層に定式化する。
我々の潜在ESMは、異なるコンテキストからの相互注意出力の線形結合として、ゼロショット合成を可能としています。
論文 参考訳（メタデータ） (2023-06-16T14:30:41Z) - MFAGAN: A Compression Framework for Memory-Efficient On-Device
Super-Resolution GAN [27.346272886257335]
本稿では,新しい圧縮フレームワーク textbfMulti-scale textbfFeature textbfAggregation Net based textbfGAN (MFAGAN) を提案する。
MFAGANは、ESRGANと比較して、textbf8.3$times$メモリの節約と textbf42.9$times$計算の削減を達成する。
論文 参考訳（メタデータ） (2021-07-27T09:04:30Z) - Guiding GANs: How to control non-conditional pre-trained GANs for
conditional image generation [69.10717733870575]
本稿では,汎用非条件GANを条件GANとして振る舞うための新しい方法を提案する。
提案手法は,非条件GANのジェネレータネットワークに供給される高次元ランダム入力を生成するために,エンコーダネットワークを混合するものである。
論文 参考訳（メタデータ） (2021-01-04T14:03:32Z) - Generative Adversarial Networks for Automatic Polyp Segmentation [0.0]
条件生成対向ネットワークを用いて、画像によって条件付けられたマスクを入力として生成する。
このモデルはJaccardインデックスで0.4382、F2スコアで0.611を達成した。
論文 参考訳（メタデータ） (2020-12-12T09:48:08Z) - Distilling portable Generative Adversarial Networks for Image
Translation [101.33731583985902]
従来のネットワーク圧縮手法は、視覚的に認識されるタスクに焦点をあてるが、生成タスクには対処しない。
知識蒸留にインスパイアされた学生は、元の重教師ジェネレータから低レベルおよび高レベル情報を継承することにより、少ないパラメータの学生ジェネレータを訓練する。
生徒ジェネレータと生徒識別器を最適化するために、対向学習プロセスを確立する。
論文 参考訳（メタデータ） (2020-03-07T05:53:01Z) - A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。
提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。
斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
論文 参考訳（メタデータ） (2020-02-28T11:16:54Z)
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。