論文の概要: SDDM: Score-Decomposed Diffusion Models on Manifolds for Unpaired Image-to-Image Translation

• arxiv url: http://arxiv.org/abs/2308.02154v1
• Date: Fri, 4 Aug 2023 06:21:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 13:52:37.492759
• Title: SDDM: Score-Decomposed Diffusion Models on Manifolds for Unpaired Image-to-Image Translation
• Title（参考訳）: SDDM:不対画像変換のためのマニフォールド上のスコア分解拡散モデル
• Authors: Shikun Sun, Longhui Wei, Junliang Xing, Jia Jia, Qi Tian
• Abstract要約: 本研究は,画像生成時の絡み合った分布を明示的に最適化する,新しいスコア分解拡散モデルを提案する。 我々は、スコア関数の精製部分とエネルギー誘導を等しくし、多様体上の多目的最適化を可能にする。 SDDMは既存のSBDMベースの手法よりも優れており、I2Iベンチマークでは拡散ステップがはるかに少ない。
• 参考スコア（独自算出の注目度）: 96.11061713135385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent score-based diffusion models (SBDMs) show promising results in unpaired image-to-image translation (I2I). However, existing methods, either energy-based or statistically-based, provide no explicit form of the interfered intermediate generative distributions. This work presents a new score-decomposed diffusion model (SDDM) on manifolds to explicitly optimize the tangled distributions during image generation. SDDM derives manifolds to make the distributions of adjacent time steps separable and decompose the score function or energy guidance into an image ``denoising" part and a content ``refinement" part. To refine the image in the same noise level, we equalize the refinement parts of the score function and energy guidance, which permits multi-objective optimization on the manifold. We also leverage the block adaptive instance normalization module to construct manifolds with lower dimensions but still concentrated with the perturbed reference image. SDDM outperforms existing SBDM-based methods with much fewer diffusion steps on several I2I benchmarks.
• Abstract（参考訳）: 近年のスコアベース拡散モデル (SBDM) は、未ペア画像-画像変換 (I2I) の有望な結果を示している。 しかし、既存の方法(エネルギーベースまたは統計ベース)は干渉された中間生成分布の明示的な形式を提供しない。 本研究は,画像生成時の絡み合った分布を明示的に最適化するために,多様体上に新たなスコア分解拡散モデル(SDDM)を提案する。 SDDMは、隣接する時間ステップの分布を分離可能とし、スコア関数またはエネルギー誘導を画像「デノイング」部分と内容「リファインメント」部分に分解する多様体を導出する。 同じノイズレベルで画像を洗練するために、スコア関数の精製部分とエネルギー誘導を等しくし、多様体上での多目的最適化を可能にする。 また、ブロック適応型インスタンス正規化モジュールを利用して、低次元の多様体を構成するが、それでも摂動参照画像に集中する。 SDDMは既存のSBDM法よりも優れており、I2Iベンチマークでは拡散ステップがはるかに少ない。

関連論文リスト

• Regularized Distribution Matching Distillation for One-step Unpaired Image-to-Image Translation [1.8434042562191815]
  未ペア画像対画像(I2I)問題に適用可能な正規分布マッチング蒸留法を提案する。 画像データセット間の2次元例とI2Iを含む複数の翻訳タスクに適用した経験的性能を示す。
  論文  参考訳（メタデータ） (2024-06-20T22:22:31Z)
• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• PartDiff: Image Super-resolution with Partial Diffusion Models [3.8435187580887717]
  拡散確率モデル(DDPM)は,様々な画像生成タスクにおいて顕著な性能を達成している。 DDPMは、ランダムノイズから反復的にデノイングすることで、新しいデータを生成する。 しかし、拡散に基づく生成モデルは、多くのデノナイジングステップのために高い計算コストに悩まされる。 本稿では,部分拡散モデル (PartDiff) を提案する。
  論文  参考訳（メタデータ） (2023-07-21T22:11:23Z)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• Conditional Diffusion Models for Weakly Supervised Medical Image Segmentation [18.956306942099097]
  条件拡散モデル(CDM)は、特定の分布の対象となる画像を生成することができる。 我々は,対象対象物の予測マスクを取得するために,CDMに隠されたカテゴリ認識意味情報を利用する。 本手法は,2つの医用画像セグメンテーションデータセット上で,最先端のCAMおよび拡散モデル法より優れる。
  論文  参考訳（メタデータ） (2023-06-06T17:29:26Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Multilevel Diffusion: Infinite Dimensional Score-Based Diffusion Models for Image Generation [2.5556910002263984]
  スコアベース拡散モデル (SBDM) は画像生成のための最先端のアプローチとして登場した。 本稿では, 無限次元のSBDM, すなわち, 矩形領域でサポートされている関数としてトレーニングデータをモデル化する。 無限次元設定において、現在のSBDMアプローチの2つの欠点を克服する方法を実証する。
  論文  参考訳（メタデータ） (2023-03-08T18:10:10Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)

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。