Fugu-MT 論文翻訳(概要): Text-To-Image with Generative Adversarial Networks

論文の概要: Text-To-Image with Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2410.08608v1
Date: Fri, 11 Oct 2024 08:16:35 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 22:54:46.412628
Title: Text-To-Image with Generative Adversarial Networks
Title（参考訳）: 生成的敵対的ネットワークを用いたテキスト・ツー・イメージ
Authors: Mehrshad Momen-Tayefeh,
Abstract要約: 本稿では,GAN(Generative Adversarial Networks)に基づく5つの異なる手法の比較を行い,テキストから画像を生成する。最高の解像度と最悪の解像度は、それぞれ64*64、256*256である。この研究により、これらの異なるアプローチを重要な指標と比較することにより、この問題の最良のモデルを見出した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Generating realistic images from human texts is one of the most challenging problems in the field of computer vision (CV). The meaning of descriptions given can be roughly reflected by existing text-to-image approaches. In this paper, our main purpose is to propose a brief comparison between five different methods base on the Generative Adversarial Networks (GAN) to make image from the text. In addition, each model architectures synthesis images with different resolution. Furthermore, the best and worst obtained resolutions is 64*64, 256*256 respectively. However, we checked and compared some metrics that introduce the accuracy of each model. Also, by doing this study, we found out the best model for this problem by comparing these different approaches essential metrics.
Abstract（参考訳）: 人間のテキストから現実的な画像を生成することは、コンピュータビジョン(CV)の分野で最も難しい問題の一つである。与えられた記述の意味は、既存のテキスト・ツー・イメージのアプローチによって大まかに反映できる。本稿では,GAN(Generative Adversarial Networks)に基づく5つの異なる手法の簡単な比較を行い,テキストから画像を作成することを目的とする。さらに、各モデルアーキテクチャは解像度の異なる画像を生成する。さらに、最高の解像度と最悪の解像度は、それぞれ64*64、256*256である。しかし、各モデルの精度を導入する指標をいくつかチェックして比較した。また、本研究では、これらの異なるアプローチを重要な指標と比較することにより、この問題の最良のモデルを見出した。

関連論文リスト

A Picture is Worth a Thousand Words: Principled Recaptioning Improves Image Generation [9.552642210681489]
コーパスを特別な自動キャプションモデルで再現し、再カプセル化データセット上でテキスト・ツー・イメージモデルを訓練することにより、モデルがボード全体に大きなメリットをもたらすことを示す。我々は、コーパスを緩和する様々な方法を分析し、この手法がRECAPと呼ばれ、どちらも列車の干渉の相違を低減し、例ごとにより多くの情報を提供するという証拠を提供する。
論文参考訳（メタデータ） (2023-10-25T14:10:08Z)
Hypernymy Understanding Evaluation of Text-to-Image Models via WordNet Hierarchy [12.82992353036576]
我々は、textithypernymy$や単語間の"is-a"関係を理解するために、人気のあるテキスト・画像モデルの有用性を測定する。私たちのメトリクスが、一般的なテキスト・ツー・イメージモデルの個々の長所と短所をよりよく理解する上で、どのように役立つかを示します。
論文参考訳（メタデータ） (2023-10-13T16:53:25Z)
RenAIssance: A Survey into AI Text-to-Image Generation in the Era of Large Model [93.8067369210696]
テキスト・ツー・イメージ生成(テキスト・トゥ・イメージ・ジェネレーション、英: Text-to-image Generation、TTI)とは、テキスト入力を処理し、テキスト記述に基づいて高忠実度画像を生成するモデルである。拡散モデル (diffusion model) は、繰り返しステップによるノイズの体系的導入を通じて画像の生成に使用される顕著な生成モデルである。大規模モデルの時代、モデルサイズを拡大し、大規模言語モデルとの統合により、TTIモデルの性能がさらに向上した。
論文参考訳（メタデータ） (2023-09-02T03:27:20Z)
StableRep: Synthetic Images from Text-to-Image Models Make Strong Visual Representation Learners [58.941838860425754]
合成画像の自己教師的手法を訓練することで、実際の画像と一致したり、打ち負かしたりすることができることを示す。本研究では,StableRepと呼ばれるマルチ陽性のコントラスト学習手法を開発した。合成画像だけで、StableRepで学んだ表現は、SimCLRとCLIPで学んだ表現のパフォーマンスを上回る。
論文参考訳（メタデータ） (2023-06-01T17:59:51Z)
HumanDiffusion: a Coarse-to-Fine Alignment Diffusion Framework for Controllable Text-Driven Person Image Generation [73.3790833537313]
制御可能な人物画像生成は、デジタルヒューマンインタラクションや仮想トライオンといった幅広い応用を促進する。テキスト駆動型人物画像生成のための粗大なアライメント拡散フレームワークHumanDiffusionを提案する。
論文参考訳（メタデータ） (2022-11-11T14:30:34Z)
Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding [53.170767750244366]
Imagenは、前例のないフォトリアリズムと深い言語理解を備えたテキスト間拡散モデルである。テキスト・ツー・イメージ・モデルをより深く評価するために,テキスト・ツー・イメージ・モデルの総合的かつ挑戦的なベンチマークであるDrawBenchを紹介した。
論文参考訳（メタデータ） (2022-05-23T17:42:53Z)
Self-Supervised Image-to-Text and Text-to-Image Synthesis [23.587581181330123]
クロスモーダルな埋め込み空間を学習するための,新たな自己教師型深層学習手法を提案する。そこで本研究では,まず,StackGANベースのオートエンコーダモデルを用いて画像の高密度ベクトル表現と,LSTMベースのテキストオートエンコーダを用いた文レベルでの高密度ベクトル表現を得る。
論文参考訳（メタデータ） (2021-12-09T13:54:56Z)
Aggregated Contextual Transformations for High-Resolution Image Inpainting [57.241749273816374]
画像の高精細化のための拡張GANモデルAggregated Contextual-Transformation GAN (AOT-GAN)を提案する。そこで,提案するAOTブロックの複数のレイヤを積み重ねることで,AOT-GANのジェネレータを構築する。テクスチャ合成を改善するため,AOT-GANの識別をマスク予測タスクでトレーニングすることで強化する。
論文参考訳（メタデータ） (2021-04-03T15:50:17Z)
Multiple Exemplars-based Hallucinationfor Face Super-resolution and Editing [38.257982713474874]
顔の低解像度な入力画像が与えられた場合,本論文の目的は,その高解像度版を再構成することである。我々は、同じ人物の他の高解像度画像の集合である、模範の集合の使用について検討する。複数の例から得られる情報を効果的に組み合わせるために,画素単位の重み生成モジュールを導入する。
論文参考訳（メタデータ） (2020-09-16T17:35:26Z)
DF-GAN: A Simple and Effective Baseline for Text-to-Image Synthesis [80.54273334640285]
本稿では,異なる生成装置間の絡み合わずに高解像度画像を直接合成する,新しい1段階のテキスト・ツー・イメージバックボーンを提案する。また,Matching-Aware Gradient Penalty と One-Way Output を組み合わせた新たなターゲット認識識別器を提案する。現在の最先端手法と比較して,提案するDF-GANはよりシンプルだが,現実的およびテキストマッチング画像の合成には効率的である。
論文参考訳（メタデータ） (2020-08-13T12:51:17Z)

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。