論文の概要: Similarity Trajectories: Linking Sampling Process to Artifacts in Diffusion-Generated Images

• arxiv url: http://arxiv.org/abs/2412.17109v1
• Date: Sun, 22 Dec 2024 17:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:53:17.659964
• Title: Similarity Trajectories: Linking Sampling Process to Artifacts in Diffusion-Generated Images
• Title（参考訳）: 類似性軌道:拡散生成画像中のアーティファクトへのサンプリングプロセスのリンク
• Authors: Dennis Menn, Feng Liang, Hung-Yueh Chiang, Diana Marculescu,
• Abstract要約: 本論文は, 拡散モデルにより生成した画像中のアーティファクトの重大さと, サンプリング過程における連続時間ステップ間の復号画像の類似性を示す。 本論文では,サンプリングプロセスと画像アーティファクトとの相関を特徴付けるために,類似性トラジェクトリの概念を導入する。 680個の画像の注釈付きデータセットを用いて,画像中の人工物の存在を予測するために,これらの軌道上の分類器を訓練した。
• 参考スコア（独自算出の注目度）: 11.84464344204953
• License:
• Abstract: Artifact detection algorithms are crucial to correcting the output generated by diffusion models. However, because of the variety of artifact forms, existing methods require substantial annotated data for training. This requirement limits their scalability and efficiency, which restricts their wide application. This paper shows that the similarity of denoised images between consecutive time steps during the sampling process is related to the severity of artifacts in images generated by diffusion models. Building on this observation, we introduce the concept of Similarity Trajectory to characterize the sampling process and its correlation with the image artifacts presented. Using an annotated data set of 680 images, which is only 0.1% of the amount of data used in the prior work, we trained a classifier on these trajectories to predict the presence of artifacts in images. By performing 10-fold validation testing on the balanced annotated data set, the classifier can achieve an accuracy of 72.35%, highlighting the connection between the Similarity Trajectory and the occurrence of artifacts. This approach enables differentiation between artifact-exhibiting and natural-looking images using limited training data.
• Abstract（参考訳）: 人工物検出アルゴリズムは拡散モデルによる出力の補正に不可欠である。 しかし、様々なアーティファクト形式のため、既存の手法ではトレーニングに相当量のアノテートデータを必要とする。 この要件はスケーラビリティと効率を制限し、広いアプリケーションを制限する。 本論文は, 拡散モデルにより生成した画像中のアーティファクトの重大さと, サンプリング過程における連続時間ステップ間の復号画像の類似性を示す。 本研究は, サンプルプロセスの特徴と画像アーティファクトとの相関を特徴付けるために, 類似性軌道の概念を導入する。 680画像の注釈付きデータセットを用いて,画像中の人工物の存在を予測するために,これらの軌道上の分類器を訓練した。 バランスの取れたアノテートデータセット上で10倍の検証テストを行うことで、分類器は72.35%の精度を達成でき、類似性軌道と人工物の発生とのつながりを強調することができる。 このアプローチは、限られたトレーニングデータを用いて、人工物展示と自然に見える画像の区別を可能にする。

関連論文リスト

• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  拡散モデルは、大規模な生成画像モデルの分野を支配してきた。 本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Preserving Image Properties Through Initializations in Diffusion Models [6.804700416902898]
  現在適用されている安定拡散法は,小売写真の要求を尊重しないことを示す。 非常にノイズの多い画像でデノイザーを訓練する通常の習慣は、推論中に一貫性のない画像を生成する。 均一な背景を持つ中央の小売商品画像で訓練されたネットワークは、不規則な背景を持つ画像を生成する。 本手法は,拡散法における制御可能性を高めるために,他の制御法と良好に相互作用することができる。
  論文  参考訳（メタデータ） (2024-01-04T06:55:49Z)
• The Journey, Not the Destination: How Data Guides Diffusion Models [75.19694584942623]
  大規模なデータセットでトレーニングされた拡散モデルは、顕著な品質と多様性のフォトリアリスティックなイメージを合成することができる。 i)拡散モデルの文脈でデータ属性の形式的概念を提供し、(ii)そのような属性を反実的に検証することを可能にする枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-11T08:39:43Z)
• Detecting Spurious Correlations via Robust Visual Concepts in Real and AI-Generated Image Classification [12.992095539058022]
  本稿では,潜在的スパイラル相関を効率的に検出する汎用手法を提案する。 提案手法は,ピクセルレベルのアノテーションを不要にしつつ,直感的な説明を提供する。 また,本手法は,生成モデル由来の下流アプリケーションに伝播する急激な相関を検出するのにも適している。
  論文  参考訳（メタデータ） (2023-11-03T01:12:35Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Markup-to-Image Diffusion Models with Scheduled Sampling [111.30188533324954]
  画像生成の最近の進歩に基づき,画像にマークアップを描画するためのデータ駆動型アプローチを提案する。 このアプローチは拡散モデルに基づいており、デノナイジング操作のシーケンスを用いてデータの分布をパラメータ化する。 数式(La)、テーブルレイアウト(HTML)、シート音楽(LilyPond)、分子画像(SMILES)の4つのマークアップデータセットの実験を行った。
  論文  参考訳（メタデータ） (2022-10-11T04:56:12Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Data Generation using Texture Co-occurrence and Spatial Self-Similarity for Debiasing [6.976822832216875]
  本稿では, 反対ラベル付き画像のテクスチャ表現を用いて, 付加画像を明示的に生成する新しいデバイアス手法を提案する。 新たに生成された各画像は、反対ラベルのターゲット画像からテクスチャを転送しながら、ソース画像から類似した空間情報を含む。 本モデルでは,生成画像のテクスチャがターゲットと類似しているか否かを決定するテクスチャ共起損失と,生成画像とソース画像間の空間的詳細がよく保存されているかどうかを決定する空間的自己相似損失とを統合する。
  論文  参考訳（メタデータ） (2021-10-15T08:04:59Z)
• Texture image classification based on a pseudo-parabolic diffusion model [0.0]
  提案手法は、確立されたベンチマークテクスチャデータベースの分類と、植物種認識の実践的な課題について検証する。 画像の同種領域内では、擬似放物的演算子が、うる限りノイズの多い詳細を滑らかにすることができることで、優れた性能を大いに正当化することができる。
  論文  参考訳（メタデータ） (2020-11-14T00:04:07Z)

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。