論文の概要: Fractal Generative Models

• arxiv url: http://arxiv.org/abs/2502.17437v1
• Date: Mon, 24 Feb 2025 18:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:40.803649
• Title: Fractal Generative Models
• Title（参考訳）: フラクタル生成モデル
• Authors: Tianhong Li, Qinyi Sun, Lijie Fan, Kaiming He,
• Abstract要約: 本稿では、生成モデルを原子生成モジュールに抽象化することで、新しいレベルのモジュール化を提案する。 我々は,原子生成モジュールとして自己回帰モデルを用いてフラクタル・フレームワークをインスタンス化し,ピクセル・バイ・ピクセル画像生成の課題について検討する。 この研究が生成モデリングの新しいパラダイムを開拓し、将来の研究の基盤となることを願っている。
• 参考スコア（独自算出の注目度）: 24.4628440964565
• License:
• Abstract: Modularization is a cornerstone of computer science, abstracting complex functions into atomic building blocks. In this paper, we introduce a new level of modularization by abstracting generative models into atomic generative modules. Analogous to fractals in mathematics, our method constructs a new type of generative model by recursively invoking atomic generative modules, resulting in self-similar fractal architectures that we call fractal generative models. As a running example, we instantiate our fractal framework using autoregressive models as the atomic generative modules and examine it on the challenging task of pixel-by-pixel image generation, demonstrating strong performance in both likelihood estimation and generation quality. We hope this work could open a new paradigm in generative modeling and provide a fertile ground for future research. Code is available at https://github.com/LTH14/fractalgen.
• Abstract（参考訳）: モジュール化はコンピュータ科学の基盤であり、複雑な機能を原子構造ブロックに抽象化する。 本稿では,生成モデルを原子生成モジュールに抽象化することで,モジュール化の新たなレベルを導入する。 本手法は, フラクタルに類似し, 原子生成モジュールを再帰的に呼び起こし, フラクタル生成モデルと呼ばれる自己相似フラクタル構造を形成する。 本稿では,原子生成モジュールとして自己回帰モデルを用いてフラクタルフレームワークをインスタンス化し,画素ごとの画像生成の課題について検討し,推定精度と生成品質の両面で高い性能を示す。 この研究が生成モデリングの新しいパラダイムを開拓し、将来の研究の基盤となることを願っている。 コードはhttps://github.com/LTH14/fractalgen.comで入手できる。

関連論文リスト

• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• Combinatorial Complex Score-based Diffusion Modelling through Stochastic Differential Equations [0.0]
  この論文はグラフ生成におけるスコアベース生成モデルの可能性を探るものである。 本稿では,微分方程式を用いた統一的枠組みを提案する。 このイノベーションは、グラフ生成のみに焦点を当てた既存のフレームワークの制限を克服し、生成AIの新たな可能性を開く。
  論文  参考訳（メタデータ） (2024-06-07T13:16:10Z)
• Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
  本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。 各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
  論文  参考訳（メタデータ） (2024-04-02T21:51:39Z)
• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [51.03144354630136]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 t$の後に作用する後方拡散過程は相転移によって制御される。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Benchmarking and Analyzing 3D-aware Image Synthesis with a Modularized Codebase [30.334079854982843]
  生成プロセスをモジュール化することで、十分に構造化されたCarverを構築します。 様々な最先端アルゴリズムの再現は、モジュール化の可用性を示している。 我々は、様々な種類の点特徴の比較など、詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-06-21T17:59:51Z)
• MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
  MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。 MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
  論文  参考訳（メタデータ） (2023-05-15T08:59:35Z)
• DiffGAR: Model-Agnostic Restoration from Generative Artifacts Using Image-to-Image Diffusion Models [46.46919194633776]
  この作業は、多様な生成モデルのためのプラグイン後処理モジュールの開発を目的としている。 従来の劣化パターンとは異なり、生成アーティファクトは非線形であり、変換関数は非常に複雑である。
  論文  参考訳（メタデータ） (2022-10-16T16:08:47Z)
• InvGAN: Invertible GANs [88.58338626299837]
  InvGANはInvertible GANの略で、高品質な生成モデルの潜在空間に実際の画像を埋め込むことに成功した。 これにより、画像のインペイント、マージ、オンラインデータ拡張を実行できます。
  論文  参考訳（メタデータ） (2021-12-08T21:39:00Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)
• Reverse Engineering Configurations of Neural Text Generation Models [86.9479386959155]
  モデル選択の結果、機械が生成したテキストに現れるアーティファクトの研究は、新しい研究領域である。 我々は、モデリング選択が検出可能なアーティファクトを生成テキストに残すかどうかを確認するために、広範囲な診断テストを実行する。 我々の重要な発見は、厳密な実験によって裏付けられ、そのような成果物が存在することと、生成されたテキストのみを観察することで異なるモデリング選択を推測できることである。
  論文  参考訳（メタデータ） (2020-04-13T21:02:44Z)

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。