論文の概要: Feature Proliferation -- the "Cancer" in StyleGAN and its Treatments

• arxiv url: http://arxiv.org/abs/2310.08921v1
• Date: Fri, 13 Oct 2023 07:46:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 13:51:55.807754
• Title: Feature Proliferation -- the "Cancer" in StyleGAN and its Treatments
• Title（参考訳）: Feature Proliferation -- StyleGAN の "Cancer" とその治療
• Authors: Shuang Song, Yuanbang Liang, Jing Wu, Yu-Kun Lai, Yipeng Qin
• Abstract要約: トランケーショントリックは、高品質な画像を合成するためのStyleGANの標準的な後処理技術となっている。 StyleGAN画像アーティファクトにおけるFeature Proliferationの効果を示す。 本稿では,リスクのある特徴を識別・調整し,機能増殖を緩和する機能再スケーリング手法を提案する。
• 参考スコア（独自算出の注目度）: 52.72738453040552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the success of StyleGAN in image synthesis, the images it synthesizes are not always perfect and the well-known truncation trick has become a standard post-processing technique for StyleGAN to synthesize high-quality images. Although effective, it has long been noted that the truncation trick tends to reduce the diversity of synthesized images and unnecessarily sacrifices many distinct image features. To address this issue, in this paper, we first delve into the StyleGAN image synthesis mechanism and discover an important phenomenon, namely Feature Proliferation, which demonstrates how specific features reproduce with forward propagation. Then, we show how the occurrence of Feature Proliferation results in StyleGAN image artifacts. As an analogy, we refer to it as the" cancer" in StyleGAN from its proliferating and malignant nature. Finally, we propose a novel feature rescaling method that identifies and modulates risky features to mitigate feature proliferation. Thanks to our discovery of Feature Proliferation, the proposed feature rescaling method is less destructive and retains more useful image features than the truncation trick, as it is more fine-grained and works in a lower-level feature space rather than a high-level latent space. Experimental results justify the validity of our claims and the effectiveness of the proposed feature rescaling method. Our code is available at https://github. com/songc42/Feature-proliferation.
• Abstract（参考訳）: 画像合成におけるStyleGANの成功にもかかわらず、合成された画像は必ずしも完璧ではなく、StyleGANが高品質な画像を合成するための標準的な後処理技術としてよく知られている。 効果はあるものの、この切り抜きトリックは合成画像の多様性を減らし、必然的に多くの異なる画像特徴を犠牲にする傾向があることに長年注目されてきた。 この問題に対処するため,我々はまずStyleGAN画像合成機構を探索し,特徴拡散(Feature Proliferation)という重要な現象を発見する。 次に,StyleGAN画像アーティファクトにおける特徴増殖の発生について述べる。 アナロジーとして、スタイルガンにおける「癌」は、その増殖と悪性の性質に由来する。 最後に,リスクのある特徴を識別・調整し,機能増殖を緩和する機能再スケーリング手法を提案する。 特徴拡散の発見により、提案手法は破壊的でなく、より微細化され、高レベルな潜在空間よりも低レベルな特徴空間で機能するため、トランケーショントリックよりも有用な画像特徴を保っている。 実験結果は,提案手法の有効性と特徴リスケーリングの有効性を正当化した。 コードはhttps://github.com/で入手できる。 pic.com/songc42/Feature-proliferation。

関連論文リスト

• A Time-Intensity Aware Pipeline for Generating Late-Stage Breast DCE-MRI using Generative Adversarial Models [0.3499870393443268]
  組織中のコントラスト剤 (CA) の生物学的挙動を利用した新規な損失関数を提案し, 画素アテンションに基づく生成モデルを最適化した。 従来の正規化法や標準化法とは異なり、複数のタイムスタンプで画像列間のコントラスト拡張パターンを維持する新しい正規化手法を開発した。
  論文  参考訳（メタデータ） (2024-09-03T04:31:49Z)
• ZePo: Zero-Shot Portrait Stylization with Faster Sampling [61.14140480095604]
  本稿では,4つのサンプリングステップでコンテンツとスタイルの融合を実現する拡散モデルに基づく,インバージョンフリーなポートレートスタイリングフレームワークを提案する。 本稿では,一貫性機能における冗長な特徴をマージする機能統合戦略を提案し,注意制御の計算負荷を低減させる。
  論文  参考訳（メタデータ） (2024-08-10T08:53:41Z)
• MoreStyle: Relax Low-frequency Constraint of Fourier-based Image Reconstruction in Generalizable Medical Image Segmentation [53.24011398381715]
  MoreStyleと呼ばれるデータ拡張のためのPlug-and-Playモジュールを紹介します。 MoreStyleは、フーリエ空間の低周波制約を緩和することで、イメージスタイルを多様化する。 敵対的学習の助けを借りて、MoreStyleは潜在機能の中で最も複雑なスタイルの組み合わせを指差している。
  論文  参考訳（メタデータ） (2024-03-18T11:38:47Z)
• Feature Accentuation: Revealing 'What' Features Respond to in Natural Images [4.4273123155989715]
  本稿では,任意の入力画像のどの位置と何にあるかが特徴の応答を誘導するかを伝達できる,解釈可能性ツールキット「Feature accentuation」に新たな手法を導入する。 パラメータ化,拡張,正規化の特別な組み合わせは,シード画像とターゲット特徴を同時に類似した自然な視覚化をもたらす。 我々は,Lucentの拡張であるFaccentライブラリとして,機能アクセントの正確な実装をコミュニティに提供する。
  論文  参考訳（メタデータ） (2024-02-15T16:01:59Z)
• An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution [18.881480825169053]
  Inlicit Self-Texture Enhancement-based dual-branch framework (ISTE) を提案する。 ISTEは、様々なスケーリング要因にわたる既存の固定スケールおよび任意のスケールのSRアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2024-01-28T10:00:45Z)
• High-resolution Face Swapping via Latent Semantics Disentanglement [50.23624681222619]
  本稿では,事前学習したGANモデルの事前知識を用いた,新しい高分解能幻覚顔交換法を提案する。 我々は、ジェネレータの進行的な性質を利用して、潜在意味論を明示的に解き放つ。 我々は,2時間制約を潜時空間と画像空間に課すことにより,映像面スワップに拡張する。
  論文  参考訳（メタデータ） (2022-03-30T00:33:08Z)
• Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
  画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。 生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
  論文  参考訳（メタデータ） (2020-07-20T18:04:14Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)

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。