論文の概要: An attempt to generate new bridge types from latent space of
energy-based model
- arxiv url: http://arxiv.org/abs/2401.17657v1
- Date: Wed, 31 Jan 2024 08:21:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 15:14:08.115628
- Title: An attempt to generate new bridge types from latent space of
energy-based model
- Title(参考訳): エネルギーモデルにおける潜在空間から新しいブリッジタイプを生成する試み
- Authors: Hongjun Zhang
- Abstract要約: 3本のスパンビームブリッジ、アーチブリッジ、ケーブルステイドブリッジ、サスペンションブリッジの対称構造画像データセット上の列車エネルギー関数
ランゲヴィンは、低エネルギー値の新しいサンプルを生成するためにテクノロジーを動力学する。
- 参考スコア(独自算出の注目度): 2.05750372679553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Use energy-based model for bridge-type innovation. The loss function is
explained by the game theory, the logic is clear and the formula is simple and
clear. Thus avoid the use of maximum likelihood estimation to explain the loss
function and eliminate the need for Monte Carlo methods to solve the normalized
denominator. Assuming that the bridge-type population follows a Boltzmann
distribution, a neural network is constructed to represent the energy function.
Use Langevin dynamics technology to generate a new sample with low energy
value, thus a generative model of bridge-type based on energy is established.
Train energy function on symmetric structured image dataset of three span beam
bridge, arch bridge, cable-stayed bridge, and suspension bridge to accurately
calculate the energy values of real and fake samples. Sampling from latent
space, using gradient descent algorithm, the energy function transforms the
sampling points into low energy score samples, thereby generating new bridge
types different from the dataset. Due to unstable and slow training in this
attempt, the possibility of generating new bridge types is rare and the image
definition of generated images is low.
- Abstract(参考訳): ブリッジタイプの革新にエネルギーモデルを使う。
損失関数はゲーム理論によって説明され、論理は明確であり、公式は単純で明確である。
したがって、損失関数を説明するために最大推定値を用いることを避け、正規化分母を解くためにモンテカルロ法は不要である。
ブリッジ型人口がボルツマン分布に従うと仮定すると、エネルギー関数を表すニューラルネットワークが構築される。
エネルギー値の低い新しい試料を生成するためにランジュバンダイナミクス技術を使用し、エネルギーに基づくブリッジタイプの生成モデルを確立する。
3本のスパンビームブリッジ、アーチブリッジ、ケーブルスタイトブリッジ、サスペンションブリッジの対称構造画像データセット上の列車エネルギー関数により、実および偽のサンプルのエネルギー値を正確に算出する。
潜在空間からのサンプリング 勾配降下アルゴリズムを用いて、エネルギー関数はサンプリング点を低エネルギースコアのサンプルに変換し、データセットとは異なる新しいブリッジ型を生成する。
この試みにおける不安定で遅い訓練のため、新しいブリッジタイプを生成する可能性は稀であり、生成した画像のイメージ定義が低い。
関連論文リスト
- Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。
我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。
この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。
提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
論文 参考訳(メタデータ) (2024-11-22T11:24:14Z) - Variational Potential Flow: A Novel Probabilistic Framework for Energy-Based Generative Modelling [10.926841288976684]
エネルギーをベースとした新しい生成フレームワークVAPOについて述べる。
VAPOは、勾配(流れ)が前のサンプルを導くポテンシャルエネルギー関数を学習することを目的としており、その密度の進化は近似的なデータ準同相性に従う。
イメージはポテンシャルエネルギーをトレーニングした後、ガウスのサンプルを初期化し、固定時間間隔で電位フローを管理するODEを解くことで生成することができる。
論文 参考訳(メタデータ) (2024-07-21T18:08:12Z) - An attempt to generate new bridge types from latent space of denoising
diffusion Implicit model [2.05750372679553]
橋梁型イノベーションには暗黙の隠蔽モデルを用いる。
画像にノイズや騒音を加える過程は、死体が腐っている過程や、犠牲者の現場を復元している刑事に似ており、初心者が理解しやすい。
論文 参考訳(メタデータ) (2024-02-11T08:54:37Z) - An attempt to generate new bridge types from latent space of generative
flow [2.05750372679553]
フローの正規化の基本原理は、単純で簡潔な方法で導入される。
人口からのサンプルとしてデータセットを扱い、正規化フローを取得することは、基本的にはサンプリングサーベイによって行われる。
三次元ビームブリッジ,アーチブリッジ,ケーブルステイドブリッジ,可逆サスペンションブリッジの対称構造画像データセットを用いて,図書館内のGlow APIに基づく流れの構築と正規化を行う。
論文 参考訳(メタデータ) (2024-01-18T06:26:44Z) - An attempt to generate new bridge types from latent space of PixelCNN [2.05750372679553]
PixelCNNは画像の統計構造をキャプチャし、次のピクセルの確率分布を計算する。
得られた潜在空間サンプリングから、トレーニングデータセットとは異なる新しいブリッジタイプを生成することができる。
論文 参考訳(メタデータ) (2024-01-11T15:06:25Z) - An attempt to generate new bridge types from latent space of generative
adversarial network [2.05750372679553]
三次元ビームブリッジ,アーチブリッジ,ケーブルステイドブリッジ,サスペンションブリッジの対称構造画像データセットを用いる。
Pythonプログラミング言語とKerasディープラーニングプラットフォームフレームワークに基づいて、ジェネレーティブな敵ネットワークを構築し、訓練する。
論文 参考訳(メタデータ) (2024-01-01T08:46:29Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-14T18:51:22Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z) - Learning Generative Vision Transformer with Energy-Based Latent Space
for Saliency Prediction [51.80191416661064]
本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。
ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。
生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
論文 参考訳(メタデータ) (2021-12-27T06:04:33Z) - Controllable and Compositional Generation with Latent-Space Energy-Based
Models [60.87740144816278]
制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。
本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。
エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
論文 参考訳(メタデータ) (2021-10-21T03:31:45Z) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳(メタデータ) (2021-09-13T12:45:08Z)
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。