論文の概要: Happy People -- Image Synthesis as Black-Box Optimization Problem in the Discrete Latent Space of Deep Generative Models

• arxiv url: http://arxiv.org/abs/2306.06684v1
• Date: Sun, 11 Jun 2023 13:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 17:15:28.549283
• Title: Happy People -- Image Synthesis as Black-Box Optimization Problem in the Discrete Latent Space of Deep Generative Models
• Title（参考訳）: happy people -- 深層生成モデルの離散潜在空間におけるブラックボックス最適化問題としての画像合成
• Authors: Steffen Jung, Jan Christian Schwedhelm, Claudia Schillings, Margret Keuper
• Abstract要約: 本稿では、連続的に定量化できる特性に対して、生成したサンプルを最適化する新しい画像生成手法を提案する。 具体的には,ベクトル量子化VAEの離散潜在空間上の数学的プログラムとしてツリーベースアンサンブルモデルを提案する。
• 参考スコア（独自算出の注目度）: 10.533348468499826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, optimization in the learned latent space of deep generative models has been successfully applied to black-box optimization problems such as drug design, image generation or neural architecture search. Existing models thereby leverage the ability of neural models to learn the data distribution from a limited amount of samples such that new samples from the distribution can be drawn. In this work, we propose a novel image generative approach that optimizes the generated sample with respect to a continuously quantifiable property. While we anticipate absolutely no practically meaningful application for the proposed framework, it is theoretically principled and allows to quickly propose samples at the mere boundary of the training data distribution. Specifically, we propose to use tree-based ensemble models as mathematical programs over the discrete latent space of vector quantized VAEs, which can be globally solved. Subsequent weighted retraining on these queries allows to induce a distribution shift. In lack of a practically relevant problem, we consider a visually appealing application: the generation of happily smiling faces (where the training distribution only contains less happy people) - and show the principled behavior of our approach in terms of improved FID and higher smile degree over baseline approaches.
• Abstract（参考訳）: 近年, 薬物設計や画像生成, ニューラルアーキテクチャ探索などのブラックボックス最適化問題に対して, 深層生成モデルの学習潜在空間における最適化が成功している。 これにより、既存のモデルでは、ニューラルネットワークが限られた量のサンプルからデータ分布を学習し、その分布から新しいサンプルを描くことができる。 本研究では, 連続的な定量化特性に対して生成したサンプルを最適化する画像生成手法を提案する。 提案フレームワークの実用上有意義な適用は期待できないが,理論上は原則的であり,トレーニングデータ分布の単なる境界でサンプルを迅速に提案できる。 具体的には,ベクトル量子化vaesの離散的潜在空間上の数学的プログラムとして木に基づくアンサンブルモデルを用いることを提案する。 これらのクエリに対する重み付き再トレーニングは、分散シフトを誘発する。 実際には関連する問題がない場合、視覚的に魅力的なアプリケーションを考える: 幸福な笑顔(トレーニング分布が幸福な人だけを含む)の生成、そして、ベースラインアプローチよりもfidの改善と高い笑顔の度合いの観点から、我々のアプローチの原則的な振る舞いを示す。

関連論文リスト

• Bayesian Inverse Graphics for Few-Shot Concept Learning [3.475273727432576]
  最小限のデータのみを用いて学習するベイズ的知覚モデルを提案する。 本稿では、この表現が、数ショットの分類や推定などの下流タスクにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2024-09-12T18:30:41Z)
• A Diffusion Model Framework for Unsupervised Neural Combinatorial Optimization [7.378582040635655]
  現在のディープラーニングアプローチは、正確なサンプル確率を生み出す生成モデルに依存している。 この研究は、この制限を解除し、高度に表現力のある潜在変数モデルを採用する可能性を開放する手法を導入する。 我々は,データフリーなコンビネーション最適化におけるアプローチを実験的に検証し,幅広いベンチマーク問題に対して新しい最先端の手法を実現することを実証した。
  論文  参考訳（メタデータ） (2024-06-03T17:55:02Z)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• Space-Variant Total Variation boosted by learning techniques in few-view tomographic imaging [0.0]
  本稿では,未決定の線形逆問題に対する空間変動正規化モデルの開発に焦点をあてる。 提案モデルの主な目的は,ディノベーションと細部・縁の保存のバランスを良くすることである。 畳み込みニューラルネットワークは、トレーニングにおいて弾性損失関数を用いて、基底真理像とその勾配を近似するように設計されている。
  論文  参考訳（メタデータ） (2024-04-25T08:58:41Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Robust Model-Based Optimization for Challenging Fitness Landscapes [96.63655543085258]
  タンパク質の設計には、フィットネスのランドスケープの最適化が含まれる。 指導法は, トレーニングセットにおける高適合度サンプルの多彩さに課題を呈する。 デザイン空間における「分離」というこの問題は、既存のモデルベース最適化ツールにおいて重大なボトルネックとなっていることを示す。 本稿では,新しいVAEを検索モデルとして利用して問題を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:47:32Z)
• Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
  複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。 対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。 スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。 スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
  論文  参考訳（メタデータ） (2020-11-26T19:39:10Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Instance Selection for GANs [25.196177369030146]
  GAN(Generative Adversarial Networks)は、高品質な合成画像を生成するために広く採用されている。 GANはしばしばデータ多様体の外にある非現実的なサンプルを生成する。 本稿では,サンプルの品質向上のための新しいアプローチを提案する。モデルトレーニングが行われる前に,インスタンス選択によるトレーニングデータセットの変更を行う。
  論文  参考訳（メタデータ） (2020-07-30T06:33:51Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)

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。