論文の概要: Hierarchical Clustering for Conditional Diffusion in Image Generation

• arxiv url: http://arxiv.org/abs/2410.16910v1
• Date: Tue, 22 Oct 2024 11:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:47.074536
• Title: Hierarchical Clustering for Conditional Diffusion in Image Generation
• Title（参考訳）: 画像生成における条件拡散のための階層クラスタリング
• Authors: Jorge da Silva Goncalves, Laura Manduchi, Moritz Vandenhirtz, Julia E. Vogt,
• Abstract要約: 本稿では,階層クラスタ上で拡散モデルを用いて,高品質なクラスタ固有世代を得る,深層生成モデルであるTreeDiffusionを紹介する。 提案するパイプラインは,データの階層構造を学習するVAEベースのクラスタリングモデルと,クラスタ毎に現実的な画像を生成する条件拡散モデルである。
• 参考スコア（独自算出の注目度）: 12.618079575423868
• License:
• Abstract: Finding clusters of data points with similar characteristics and generating new cluster-specific samples can significantly enhance our understanding of complex data distributions. While clustering has been widely explored using Variational Autoencoders, these models often lack generation quality in real-world datasets. This paper addresses this gap by introducing TreeDiffusion, a deep generative model that conditions Diffusion Models on hierarchical clusters to obtain high-quality, cluster-specific generations. The proposed pipeline consists of two steps: a VAE-based clustering model that learns the hierarchical structure of the data, and a conditional diffusion model that generates realistic images for each cluster. We propose this two-stage process to ensure that the generated samples remain representative of their respective clusters and enhance image fidelity to the level of diffusion models. A key strength of our method is its ability to create images for each cluster, providing better visualization of the learned representations by the clustering model, as demonstrated through qualitative results. This method effectively addresses the generative limitations of VAE-based approaches while preserving their clustering performance. Empirically, we demonstrate that conditioning diffusion models on hierarchical clusters significantly enhances generative performance, thereby advancing the state of generative clustering models.
• Abstract（参考訳）: 類似した特徴を持つデータポイントのクラスタを見つけて、新しいクラスタ固有のサンプルを生成することで、複雑なデータ分散に対する理解が大幅に向上する。 クラスタリングは変分オートエンコーダを用いて広く研究されているが、これらのモデルは実世界のデータセットでは生成品質に欠けることが多い。 本稿では,階層クラスタ上で拡散モデルを条件付け,高品質でクラスタ固有の世代を生成する,深い生成モデルであるTreeDiffusionを導入することで,このギャップに対処する。 提案するパイプラインは,データの階層構造を学習するVAEベースのクラスタリングモデルと,クラスタ毎に現実的な画像を生成する条件拡散モデルである。 本稿では, 生成したサンプルが各クラスタに代表的であり続けることを保証し, 拡散モデルのレベルに画像の忠実性を高めるための2段階プロセスを提案する。 本手法の重要な強みは,クラスタ毎に画像を作成する能力であり,クラスタリングモデルによる学習表現の可視化が,定性的な結果から得られた。 この方法は,クラスタリング性能を保ちながら,VAEベースのアプローチの生成限界を効果的に解決する。 実験により,階層クラスタ上での条件付き拡散モデルにより生成性能が著しく向上し,生成クラスタリングモデルの状態が向上することが実証された。

関連論文リスト

• Structured Generations: Using Hierarchical Clusters to guide Diffusion Models [12.618079575423868]
  本稿では拡散確率モデル(DDPM)の枠組みに階層的クラスタリングを統合する深層生成モデルであるDiffuse-TreeVAEを紹介する。 提案手法は,学習した潜在木VAE構造体の根埋め込みから新たな画像を生成し,階層的な経路を伝播し,第2段階のDDPMを用いて各データクラスタの異なる高品質な画像を洗練・生成する。
  論文  参考訳（メタデータ） (2024-07-08T17:00:28Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Rethinking cluster-conditioned diffusion models [1.597617022056624]
  画像クラスタリングに関する個々のコンポーネントが3つのデータセット間の画像合成にどのように影響するかを明らかにする。 画像合成(視覚群)に関して最適なクラスタの粒度を考えると,クラスタコンディショニングは最先端のFIDを実現することができる。 本稿では,特徴に基づくクラスタリングのみを用いて,視覚群の探索空間を小さくする上層クラスタ境界を導出する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-01T14:47:46Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Top-Down Deep Clustering with Multi-generator GANs [0.0]
  ディープクラスタリング(DC)は、クラスタ分析に最適な埋め込み空間を学習する。 複数のジェネレータ(MGAN)を持つGANをベースとした新しい技術であるHC-MGANを提案する。 本手法は,MGANの各生成元が実データ分布のサブリージョンと相関するデータを生成する傾向にあるという観察に着想を得たものである。
  論文  参考訳（メタデータ） (2021-12-06T22:53:12Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Deep adaptive fuzzy clustering for evolutionary unsupervised representation learning [2.8028128734158164]
  大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて重要かつ困難な作業です。 反復最適化による新しい進化的教師なし学習表現モデルを提案する。 ファジィメンバシップを利用して深層クラスタ割り当ての明確な構造を表現するディープリコンストラクションモデルに対して,共同でファジィクラスタリングを行った。
  論文  参考訳（メタデータ） (2021-03-31T13:58:10Z)
• On the convergence of group-sparse autoencoders [9.393652136001732]
  我々は,様々な生成モデルを考慮したグループスパースオートエンコーダを導入,研究する。 クラスタリングモデルの場合、アクティブなユニットの同じグループで発生する入力は同じクラスタに属します。 この設定では、ネットワークパラメータを生成行列の近傍に収束させることを理論的に証明する。
  論文  参考訳（メタデータ） (2021-02-13T21:17:07Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。