論文の概要: DomainGallery: Few-shot Domain-driven Image Generation by Attribute-centric Finetuning

• arxiv url: http://arxiv.org/abs/2411.04571v1
• Date: Thu, 07 Nov 2024 09:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:38:40.782844
• Title: DomainGallery: Few-shot Domain-driven Image Generation by Attribute-centric Finetuning
• Title（参考訳）: DomainGallery:属性中心のファインタニングによるドメイン駆動画像生成
• Authors: Yuxuan Duan, Yan Hong, Bo Zhang, Jun Lan, Huijia Zhu, Weiqiang Wang, Jianfu Zhang, Li Niu, Liqing Zhang,
• Abstract要約: DomainGalleryは、数ショットのドメイン駆動画像生成方法である。 属性消去、属性の切り離し、正規化、拡張が特徴である。 さまざまなドメイン駆動生成シナリオにおいて、DomainGalleryの優れたパフォーマンスを検証する実験が行われます。
• 参考スコア（独自算出の注目度）: 51.66633704537334
• License:
• Abstract: The recent progress in text-to-image models pretrained on large-scale datasets has enabled us to generate various images as long as we provide a text prompt describing what we want. Nevertheless, the availability of these models is still limited when we expect to generate images that fall into a specific domain either hard to describe or just unseen to the models. In this work, we propose DomainGallery, a few-shot domain-driven image generation method which aims at finetuning pretrained Stable Diffusion on few-shot target datasets in an attribute-centric manner. Specifically, DomainGallery features prior attribute erasure, attribute disentanglement, regularization and enhancement. These techniques are tailored to few-shot domain-driven generation in order to solve key issues that previous works have failed to settle. Extensive experiments are given to validate the superior performance of DomainGallery on a variety of domain-driven generation scenarios. Codes are available at https://github.com/Ldhlwh/DomainGallery.
• Abstract（参考訳）: 大規模データセットで事前訓練されたテキスト・ツー・イメージ・モデルの最近の進歩により、私たちが望むことを記述したテキストプロンプトを提供する限り、さまざまな画像を生成することが可能になった。 それでも、これらのモデルの可用性は、特定のドメインに落ちてくる画像を生成することや、モデルの記述が難しい、あるいは単に見つからない場合に制限される。 本研究では,ドメイン駆動画像生成手法であるDomainGalleryを提案する。 具体的には、DomainGalleryは、事前の属性消去、属性の切り離し、正規化、拡張を特徴としている。 これらのテクニックは、以前の作業で解決できなかった重要な問題を解決するために、数ショットのドメイン駆動生成に適合する。 さまざまなドメイン駆動生成シナリオにおいて、DomainGalleryの優れたパフォーマンスを検証するために、大規模な実験が行われます。 コードはhttps://github.com/Ldhlwh/DomainGallery.comで入手できる。

関連論文リスト

• Domain Bridge: Generative model-based domain forensic for black-box models [20.84645356097581]
  我々は、一般的なデータドメインだけでなく、その特定の属性も決定する拡張されたアプローチを導入する。 本手法では,エンコーダに画像埋め込みモデル,デコーダに生成モデルを用いる。 我々のアプローチの重要な強みは、生成モデルである安定拡散をトレーニングする拡張データセットであるLAION-5Bを活用することである。
  論文  参考訳（メタデータ） (2024-02-07T07:57:43Z)
• Subject-Diffusion:Open Domain Personalized Text-to-Image Generation without Test-time Fine-tuning [6.288699905490906]
  本稿では,新しいオープンドメインパーソナライズされた画像生成モデルであるSubject-Diffusionを提案する。 提案手法は,他のSOTAフレームワークよりも,単一,複数,カスタマイズされた画像生成に優れる。
  論文  参考訳（メタデータ） (2023-07-21T08:09:47Z)
• Towards Diverse and Faithful One-shot Adaption of Generative Adversarial Networks [54.80435295622583]
  ワンショット生成ドメイン適応は、訓練済みのジェネレータを1つの参照画像のみを使用して、新しいドメインに転送することを目的としている。 本稿では、多種多様な世代と忠実な適応のための新しい一発生成ドメイン適応法、すなわち、DiFaを提案する。
  論文  参考訳（メタデータ） (2022-07-18T16:29:41Z)
• Beyond ImageNet Attack: Towards Crafting Adversarial Examples for Black-box Domains [80.11169390071869]
  敵対的な例は、転送可能な性質のため、ディープニューラルネットワークに深刻な脅威をもたらしている。 ブラックボックス領域への転送可能性を調べるために,Beyond ImageNet Attack (BIA)を提案する。 提案手法は, 最先端手法を最大7.71%(粗粒領域)と25.91%(細粒領域)で平均的に上回っている。
  論文  参考訳（メタデータ） (2022-01-27T14:04:27Z)
• StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators [63.85888518950824]
  生成モデルを新しいドメインに移行できるテキスト駆動方式を提案する。 自然言語のプロンプトと数分の訓練によって、我々の手法は複数のドメインにまたがってジェネレータを適応させることができることを示す。
  論文  参考訳（メタデータ） (2021-08-02T14:46:46Z)
• Few-shot Image Generation with Elastic Weight Consolidation [53.556446614013105]
  少ないショット画像生成は、利用可能なトレーニング例がほとんどなく、与えられたドメインのより多くのデータを生成することを目指している。 対象ドメインのいくつかの例に、追加のパラメータを導入することなく、事前訓練されたモデルを適用する。 我々は,異なる対象領域の高品質な結果を生成することにより,アルゴリズムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-04T18:57:13Z)
• TriGAN: Image-to-Image Translation for Multi-Source Domain Adaptation [82.52514546441247]
  本稿では,ジェネレーティブ・アドバイサル・ネットワークに基づくマルチソース・ドメイン適応(MSDA)の最初のアプローチを提案する。 本手法は,画像の出現がドメイン,スタイル,内容の3つの要因に依存するという観察に着想を得たものである。 提案手法はMSDAベンチマークを用いて試行し,最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-19T05:07:22Z)

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。