論文の概要: Debiasing Kernel-Based Generative Models

• arxiv url: http://arxiv.org/abs/2503.20825v1
• Date: Wed, 26 Mar 2025 01:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:34.558069
• Title: Debiasing Kernel-Based Generative Models
• Title（参考訳）: Debiasing Kernel-based Generative Models
• Authors: Tian Qin, Wei-Min Huang,
• Abstract要約: Debiasing Kernel-Based Generative Models (DKGM) と呼ばれる新しい生成モデルの2段階フレームワークを提案する。 第一段階では、カーネル密度推定(KDE)を用いて、画像品質を過度に損なうことなく、データの密度を推定する障害を回避する。 第2段階では,画像のぼかしを統計的デバイアス問題として減少させる過程を定式化し,画像品質を改善するための新しい反復アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 7.262815775303641
• License:
• Abstract: We propose a novel two-stage framework of generative models named Debiasing Kernel-Based Generative Models (DKGM) with the insights from kernel density estimation (KDE) and stochastic approximation. In the first stage of DKGM, we employ KDE to bypass the obstacles in estimating the density of data without losing too much image quality. One characteristic of KDE is oversmoothing, which makes the generated image blurry. Therefore, in the second stage, we formulate the process of reducing the blurriness of images as a statistical debiasing problem and develop a novel iterative algorithm to improve image quality, which is inspired by the stochastic approximation. Extensive experiments illustrate that the image quality of DKGM on CIFAR10 is comparable to state-of-the-art models such as diffusion models and GAN models. The performance of DKGM on CelebA 128x128 and LSUN (Church) 128x128 is also competitive. We conduct extra experiments to exploit how the bandwidth in KDE affects the sample diversity and debiasing effect of DKGM. The connections between DKGM and score-based models are also discussed.
• Abstract（参考訳）: 本稿では、カーネル密度推定(KDE)と確率近似から洞察を得たデバイアスリングカーネルベース生成モデル(DKGM)と呼ばれる2段階生成モデルの新たなフレームワークを提案する。 DKGMの第1段階では、KDEを用いて、画像品質を損なうことなくデータの密度を推定する障害を回避します。 KDEの特徴の1つは過剰なスムース化であり、生成した画像がぼやけている。 そこで,第2段階では,統計的デバイアス問題として画像のぼかしを減少させる過程を定式化し,確率近似にインスパイアされた画像品質を改善するための新しい反復アルゴリズムを開発した。 CIFAR10上のDKGMの画質は拡散モデルやGANモデルのような最先端のモデルに匹敵することを示した。 CelebA 128x128とLSUN 128x128でのDKGMの性能も競争力がある。 我々は、KDEの帯域幅がサンプルの多様性とDKGMのデバイアス効果にどのように影響するかを活用するために、余分な実験を行う。 DKGMとスコアベースモデルとの関係についても論じる。

関連論文リスト

• Stabilize the Latent Space for Image Autoregressive Modeling: A Unified Perspective [52.778766190479374]
  遅延ベース画像生成モデルは、画像生成タスクにおいて顕著な成功を収めた。 同じ遅延空間を共有するにもかかわらず、自己回帰モデルは画像生成において LDM や MIM よりもかなり遅れている。 本稿では,画像生成モデルのための遅延空間を安定化する,単純だが効果的な離散画像トークン化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T12:13:17Z)
• GAN-based Image Compression with Improved RDO Process [20.00340507091567]
  速度歪みの最適化を改良した新しいGANベースの画像圧縮手法を提案する。 これを実現するために、DisTSとMS-SSIMのメトリクスを用いて、色、テクスチャ、構造における知覚的変性を測定する。 提案手法は,既存のGAN法および最先端ハイブリッド(VVC)よりも優れている。
  論文  参考訳（メタデータ） (2023-06-18T03:21:11Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• On Distillation of Guided Diffusion Models [94.95228078141626]
  そこで本研究では,分類器を含まない誘導拡散モデルから抽出し易いモデルへ抽出する手法を提案する。 画素空間上で訓練された標準拡散モデルに対して,本手法は元のモデルに匹敵する画像を生成することができる。 遅延空間で訓練された拡散モデル(例えば、安定拡散)に対して、我々の手法は1から4段階のデノナイジングステップで高忠実度画像を生成することができる。
  論文  参考訳（メタデータ） (2022-10-06T18:03:56Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Variational Diffusion Models [33.0719137062396]
  本稿では,画像密度推定ベンチマークの最先端可能性を求める拡散モデルについて紹介する。 差分下界 (VLB) は, 拡散したデータの信号対雑音比において, 著しく短い表現に単純化されることを示す。
  論文  参考訳（メタデータ） (2021-07-01T17:43:20Z)
• Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
  複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。 対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。 スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。 スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
  論文  参考訳（メタデータ） (2020-11-26T19:39:10Z)
• Denoising Diffusion Probabilistic Models [91.94962645056896]
  拡散確率モデルを用いて高品質な画像合成結果を示す。 本研究は,拡散確率モデルとランゲヴィン力学と整合したデノイングスコアとの新たな接続に基づいて設計した重み付き変分境界のトレーニングにより得られた。
  論文  参考訳（メタデータ） (2020-06-19T17:24:44Z)
• Learning Generative Models using Denoising Density Estimators [29.068491722778827]
  縮退密度推定器(DDE)に基づく新しい生成モデルを提案する。 我々の主な貢献は、KL分割を直接最小化することで生成モデルを得る新しい技術である。 実験結果から, 生成モデル学習における密度推定と競争性能が大幅に向上した。
  論文  参考訳（メタデータ） (2020-01-08T20:30:40Z)

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。