論文の概要: Frećhet Denoised Distance: Enhancing Plausibility Evaluation for Generated Designs with Denoising Autoencoder
- arxiv url: http://arxiv.org/abs/2403.05352v2
- Date: Tue, 08 Oct 2024 09:15:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-10 14:27:51.508166
- Title: Frećhet Denoised Distance: Enhancing Plausibility Evaluation for Generated Designs with Denoising Autoencoder
- Title(参考訳): Freのhet denoized Distance:Denoising Autoencoderを用いた生成設計における可塑性評価の強化
- Authors: Jiajie Fan, Amal Trigui, Thomas Bäck, Hao Wang,
- Abstract要約: そこで本稿では,DAE (Denoising Autoencoder) を用いて評価画像の符号化を行い,遅延空間内の分布距離を計測する。
我々のFre'chet Denoised Distance(FDD)は、不明瞭な構造を効果的に検出でき、人間の専門家による構造検査とより整合している。
- 参考スコア(独自算出の注目度): 4.619979201312323
- License:
- Abstract: A great interest has arisen in using Deep Generative Models (DGM) for generative design. When assessing the quality of the generated designs, human designers focus more on structural plausibility, e.g., no missing component, rather than visual artifacts, e.g., noises or blurriness. Meanwhile, commonly used metrics such as Fre\'chet Inception Distance (FID) may not evaluate accurately because they are sensitive to visual artifacts and tolerant to semantic errors. As such, FID might not be suitable to assess the performance of DGMs for a generative design task. In this work, we propose to encode the to-be-evaluated images with a Denoising Autoencoder (DAE) and measure the distribution distance in the resulting latent space. Hereby, we design a novel metric Fre\'chet Denoised Distance (FDD). We experimentally test our FDD, FID and other state-of-the-art metrics on multiple datasets, e.g., BIKED, Seeing3DChairs, FFHQ and ImageNet. Our FDD can effectively detect implausible structures and is more consistent with structural inspections by human experts. Our source code is publicly available at https://github.com/jiajie96/FDD_pytorch.
- Abstract(参考訳): 生成設計にDeep Generative Models (DGM)を使うことに大きな関心が寄せられている。
生成された設計の質を評価する際、人間の設計者は、視覚的なアーティファクト、例えばノイズや曖昧さよりも、構造的妥当性(例えば、欠落したコンポーネント)に重点を置いている。
一方、Fre\'chet Inception Distance (FID)のような一般的なメトリクスは、視覚的アーティファクトに敏感で、意味的エラーに耐性があるため、正確に評価することができない。
したがって、FIDは、生成設計タスクにおけるDGMの性能を評価するのに適していないかもしれない。
本研究では,評価対象画像にDAE(Denoising Autoencoder)を符号化し,遅延空間内の分布距離を測定することを提案する。
そこで我々は,Fre\'chet Denoized Distance (FDD) を設計した。
FDD、FID、その他の最先端メトリクスを複数のデータセット(例えば、BIKED、Seeeing3DChairs、FFHQ、ImageNet)で実験的にテストします。
我々のFDDは、効果的に不明瞭な構造を検出でき、人間の専門家による構造検査とより整合している。
ソースコードはhttps://github.com/jiajie96/FDD_pytorch.comで公開されています。
関連論文リスト
- FSD: Fully-Specialized Detector via Neural Architecture Search [2.149718433100702]
まず,FSDを設計するための完全自動パイプラインを提案し,検討する。
DeepLesionデータセットでは、FSDは2次病変検出タスクで約40%少ないパラメータを使用して3.1mAPゲインを達成することができる。
論文 参考訳(メタデータ) (2023-05-26T05:41:20Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。
本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。
GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文 参考訳(メタデータ) (2022-07-06T06:26:17Z) - Design Target Achievement Index: A Differentiable Metric to Enhance Deep
Generative Models in Multi-Objective Inverse Design [4.091593765662773]
設計目標達成指標(Design Target Achievement Index, DTAI)は、設計者が指定した最小パフォーマンス目標を達成するための設計能力を評価する、微分可能で調整可能な指標である。
DTAIをPaDGAN(Performance-Augmented Diverse GAN)に適用し,ベースラインのDeep Generative Modelよりも優れた生成性能を示す。
論文 参考訳(メタデータ) (2022-05-06T04:14:34Z) - On the Robustness of Quality Measures for GANs [136.18799984346248]
本研究は、インセプションスコア(IS)やFr'echet Inception Distance(FID)のような生成モデルの品質測定の堅牢性を評価する。
このような測度は、加算画素摂動によっても操作可能であることを示す。
論文 参考訳(メタデータ) (2022-01-31T06:43:09Z) - Supervising the Decoder of Variational Autoencoders to Improve
Scientific Utility [1.014927488137914]
確率的生成モデルは、仮説や設計実験を生成するために、推論されたパラメータを使用することができるため、科学的モデリングには魅力的である。
SVAE (Supervised Variational Autoencoders) はこの目的のために使用される。
我々は,デコーダに影響を与える2次監視フレームワーク(SOS-VAE)を開発し,予測潜在表現を誘導する。
論文 参考訳(メタデータ) (2021-09-09T20:55:38Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Is Disentanglement enough? On Latent Representations for Controllable
Music Generation [78.8942067357231]
強い生成デコーダが存在しない場合、アンタングル化は必ずしも制御性を意味するものではない。
VAEデコーダに対する潜伏空間の構造は、異なる属性を操作するための生成モデルの能力を高める上で重要な役割を果たす。
論文 参考訳(メタデータ) (2021-08-01T18:37:43Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳(メタデータ) (2020-06-11T17:39:07Z)
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。