論文の概要: MANGO: Disentangled Image Transformation Manifolds with Grouped Operators
- arxiv url: http://arxiv.org/abs/2409.09542v1
- Date: Sat, 14 Sep 2024 21:42:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 20:17:37.557635
- Title: MANGO: Disentangled Image Transformation Manifolds with Grouped Operators
- Title(参考訳): MANGO: グループ演算子を用いた遠方変換マニフォールド
- Authors: Brighton Ancelin, Yenho Chen, Peimeng Guan, Chiraag Kaushik, Belen Martin-Urcelay, Alex Saad-Falcon, Nakul Singh,
- Abstract要約: 画像変換を記述する不整合演算子を学習するためのMANGO (Transformation Manifolds with Grouped Operators)を提案する。
我々は、MANGOが画像変換の合成を可能にし、以前の作業よりも100倍のスピードアップをもたらすワンフェーズトレーニングルーチンを導入することを実証した。
- 参考スコア(独自算出の注目度): 0.9842069223476794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning semantically meaningful image transformations (i.e. rotation, thickness, blur) directly from examples can be a challenging task. Recently, the Manifold Autoencoder (MAE) proposed using a set of Lie group operators to learn image transformations directly from examples. However, this approach has limitations, as the learned operators are not guaranteed to be disentangled and the training routine is prohibitively expensive when scaling up the model. To address these limitations, we propose MANGO (transformation Manifolds with Grouped Operators) for learning disentangled operators that describe image transformations in distinct latent subspaces. Moreover, our approach allows practitioners the ability to define which transformations they aim to model, thus improving the semantic meaning of the learned operators. Through our experiments, we demonstrate that MANGO enables composition of image transformations and introduces a one-phase training routine that leads to a 100x speedup over prior works.
- Abstract(参考訳): 例から直接意味論的に意味のある画像変換(回転、厚み、ぼやけなど)を学ぶことは難しい課題である。
近年,Manifold Autoencoder (MAE) は,実例から画像変換を直接学習するために,一連のリー群演算子を用いて提案されている。
しかし、この手法には制限があり、学習した演算子をアンタングルにすることは保証されておらず、モデルをスケールアップする際にトレーニングルーチンは違法に高価である。
これらの制約に対処するため、我々は、異なる潜在部分空間における画像変換を記述する不整合作用素を学習するためのMANGO(Transformation Manifolds with Grouped Operators)を提案する。
さらに,本手法では,どの変換をモデル化するかを実践者が定義できるので,学習者の意味的意味が向上する。
実験により、MANGOは画像変換の合成を可能にし、従来の100倍のスピードアップをもたらす一相トレーニングルーチンを導入することを実証した。
関連論文リスト
- pOps: Photo-Inspired Diffusion Operators [55.93078592427929]
pOpsは、CLIPイメージの埋め込みに直接セマンティック演算子をトレーニングするフレームワークである。
pOpsは、異なる意味を持つ様々なフォトインスパイアされた演算子を学ぶのに利用できることを示す。
論文 参考訳(メタデータ) (2024-06-03T13:09:32Z) - Improving Diffusion-based Image Translation using Asymmetric Gradient
Guidance [51.188396199083336]
非対称勾配法の適用により拡散サンプリングの逆過程を導出する手法を提案する。
我々のモデルの適応性は、画像融合モデルと潜時拡散モデルの両方で実装できる。
実験により,本手法は画像翻訳タスクにおいて,様々な最先端モデルよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-06-07T12:56:56Z) - ParGAN: Learning Real Parametrizable Transformations [50.51405390150066]
本稿では、画像変換学習のためのサイクル一貫性GANフレームワークの一般化であるParGANを提案する。
提案したジェネレータは、画像と変換のパラメトリゼーションの両方を入力とする。
注釈付きパラメトリゼーションを伴わない不整合画像領域では、このフレームワークはスムーズな生成が可能であり、同時に複数の変換を学習できることを示す。
論文 参考訳(メタデータ) (2022-11-09T16:16:06Z) - Homomorphism Autoencoder -- Learning Group Structured Representations from Observed Transitions [51.71245032890532]
本研究では,世界に作用するエージェントが,それを修飾する動作と整合した感覚情報の内部表現を学習できるようにする手法を提案する。
既存の作業とは対照的に、我々のアプローチはグループの事前の知識を必要とせず、エージェントが実行可能なアクションのセットを制限しない。
論文 参考訳(メタデータ) (2022-07-25T11:22:48Z) - Learning Identity-Preserving Transformations on Data Manifolds [14.31845138586011]
多くの機械学習技術は、そのモデルにID保存変換を組み込んで、そのパフォーマンスをそれまで見つからなかったデータに一般化する。
本研究では,トランスフォーメーションラベルを必要としない学習戦略を開発し,各演算子を使用する可能性のある局所領域を学習する手法を開発する。
MNISTとFashion MNISTの実験は、マルチクラスのデータセットでID保存変換を学習するモデルの能力を強調している。
論文 参考訳(メタデータ) (2021-06-22T23:10:25Z) - Robust Training Using Natural Transformation [19.455666609149567]
画像分類アルゴリズムのロバスト性を改善するための逆学習手法であるNaTraを提案する。
クラス識別とは無関係な入力画像の属性をターゲティングし、それらの属性を操作して実世界の自然変換を模倣します。
本手法の有効性を,よく訓練されたGANから導かれる非絡み合った潜在表現を用いて実証する。
論文 参考訳(メタデータ) (2021-05-10T01:56:03Z) - Unsupervised Image Transformation Learning via Generative Adversarial
Networks [40.84518581293321]
GAN(Generative Adversarial Networks)を用いた画像集合から基底変換を学習して画像変換問題を研究する。
本稿では,生成元と識別器が共有する変換空間に画像を投影する,教師なし学習フレームワークTrGANを提案する。
論文 参考訳(メタデータ) (2021-03-13T17:08:19Z) - Unsupervised Discovery of Disentangled Manifolds in GANs [74.24771216154105]
解釈可能な生成プロセスは、様々な画像編集アプリケーションに有用である。
本稿では,任意の学習された生成逆数ネットワークが与えられた潜在空間における解釈可能な方向を検出する枠組みを提案する。
論文 参考訳(メタデータ) (2020-11-24T02:18:08Z) - Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。
現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。
そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
論文 参考訳(メタデータ) (2020-06-23T19:52:23Z)
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。