論文の概要: Teaching Humans Subtle Differences with DIFFusion

• arxiv url: http://arxiv.org/abs/2504.08046v1
• Date: Thu, 10 Apr 2025 18:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:19:06.749672
• Title: Teaching Humans Subtle Differences with DIFFusion
• Title（参考訳）: DIFFusionによる人体の違いを教える
• Authors: Mia Chiquier, Orr Avrech, Yossi Gandelsman, Berthy Feng, Katherine Bouman, Carl Vondrick,
• Abstract要約: 専門分野におけるニュアンス付きカテゴリを区別する方法を初心者に教える新しい手法を提案する。 本手法では,クラス間の遷移の最小限の変化を可視化するために生成モデルを用いる。 6つの領域にわたる実験は、限られた例や欠席例であっても正確な遷移を示す。
• 参考スコア（独自算出の注目度）: 36.30462318766868
• License:
• Abstract: Human expertise depends on the ability to recognize subtle visual differences, such as distinguishing diseases, species, or celestial phenomena. We propose a new method to teach novices how to differentiate between nuanced categories in specialized domains. Our method uses generative models to visualize the minimal change in features to transition between classes, i.e., counterfactuals, and performs well even in domains where data is sparse, examples are unpaired, and category boundaries are not easily explained by text. By manipulating the conditioning space of diffusion models, our proposed method DIFFusion disentangles category structure from instance identity, enabling high-fidelity synthesis even in challenging domains. Experiments across six domains show accurate transitions even with limited and unpaired examples across categories. User studies confirm that our generated counterfactuals outperform unpaired examples in teaching perceptual expertise, showing the potential of generative models for specialized visual learning.
• Abstract（参考訳）: 人間の専門知識は、病気、種、天体現象の区別など、微妙な視覚的差異を認識する能力に依存する。 専門分野におけるニュアンス付きカテゴリを区別する方法を初心者に教える新しい手法を提案する。 本手法は,データ不足や例の欠如,カテゴリ境界がテキストで簡単に説明できない領域においても,クラス間の遷移の最小限の変化を可視化するために,生成モデルを用いる。 拡散モデルの条件空間を演算することにより、本提案手法はカテゴリ構造をインスタンスの同一性から切り離し、挑戦的領域においても高忠実性合成を可能にする。 6つの領域にわたる実験は、カテゴリにまたがる限定された、あるいは欠落した例であっても、正確な遷移を示す。 ユーザスタディでは、生成した偽物は知覚的専門知識の教育において未経験例よりも優れており、特殊な視覚学習のための生成モデルの可能性を示している。

関連論文リスト

• DiffEx: Explaining a Classifier with Diffusion Models to Identify Microscopic Cellular Variations [0.815557531820863]
  識別的なディープラーニングモデルは、イメージをカテゴリに分類することに長けている。 これらのモデルは、その複雑さと解釈可能性の欠如により、しばしばブラックボックスと見なされる。 視覚的に解釈可能な属性を生成して分類器を説明するDiffExを提案する。
  論文  参考訳（メタデータ） (2025-02-12T12:46:58Z)
• Decoding Diffusion: A Scalable Framework for Unsupervised Analysis of Latent Space Biases and Representations Using Natural Language Prompts [68.48103545146127]
  本稿では拡散潜在空間の教師なし探索のための新しい枠組みを提案する。 我々は、自然言語のプロンプトと画像キャプションを直接利用して、遅延方向をマップする。 本手法は,拡散モデルに符号化された意味的知識をよりスケーラブルで解釈可能な理解を提供する。
  論文  参考訳（メタデータ） (2024-10-25T21:44:51Z)
• Diff-Def: Diffusion-Generated Deformation Fields for Conditional Atlases [13.440406411539987]
  条件付きアトラスは、微細な解剖学的差異を調査することができる。 我々は、潜在拡散モデルを用いて変形場を生成し、一般集団アトラスを特定のサブ集団に変換する。 本手法を、5000個の脳とUK Biobankの全身MR画像を用いた実験で、最先端のアトラス生成法と比較した。
  論文  参考訳（メタデータ） (2024-03-25T13:52:48Z)
• NoiseCLR: A Contrastive Learning Approach for Unsupervised Discovery of Interpretable Directions in Diffusion Models [6.254873489691852]
  本稿では,テキストのプロンプトに依存することなく,テキスト間拡散モデルにおける潜在意味を検出する教師なし手法を提案する。 提案手法は,拡散法とGAN法を併用した遅延空間編集法において,既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-08T22:04:53Z)
• Finding Interpretable Class-Specific Patterns through Efficient Neural Search [43.454121220860564]
  本稿では、データから微分パターンを抽出する、本質的に解釈可能なバイナリニューラルネットワークアーキテクチャDNAPSを提案する。 DiffNapsは何十万もの機能にスケーラブルで、ノイズに強い。 3つの生物学的応用を含む人工的および実世界のデータについて、DiffNapsは競合と異なり、常に正確で簡潔で解釈可能なクラス記述を生成する。
  論文  参考訳（メタデータ） (2023-12-07T14:09:18Z)
• Effective Data Augmentation With Diffusion Models [65.09758931804478]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)
• Disentangled representations: towards interpretation of sex determination from hip bone [1.0775419935941009]
  サリエンシマップは ニューラルネットワークを解釈する 一般的な方法になっています 我々は、より良い解釈可能性のための新しいパラダイムを提案する。 法医学における股関節からの自動性決定の文脈におけるこのアプローチの意義について述べる。
  論文  参考訳（メタデータ） (2021-12-17T10:07:05Z)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
  本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。 CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。 本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
  論文  参考訳（メタデータ） (2021-03-12T19:48:01Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。