論文の概要: TaxaDiffusion: Progressively Trained Diffusion Model for Fine-Grained Species Generation

• arxiv url: http://arxiv.org/abs/2506.01923v1
• Date: Mon, 02 Jun 2025 17:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.677642
• Title: TaxaDiffusion: Progressively Trained Diffusion Model for Fine-Grained Species Generation
• Title（参考訳）: タクサ拡散:細粒種生成のための漸進的に訓練された拡散モデル
• Authors: Amin Karimi Monsefi, Mridul Khurana, Rajiv Ramnath, Anuj Karpatne, Wei-Lun Chao, Cheng Zhang,
• Abstract要約: TaxaDiffusionは、拡散モデルのための分類学的インフォームドトレーニングフレームワークである。 動物像の微細化を図り、形態的・身元的精度の高い画像を生成する。
• 参考スコア（独自算出の注目度）: 27.543784765817513
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We propose TaxaDiffusion, a taxonomy-informed training framework for diffusion models to generate fine-grained animal images with high morphological and identity accuracy. Unlike standard approaches that treat each species as an independent category, TaxaDiffusion incorporates domain knowledge that many species exhibit strong visual similarities, with distinctions often residing in subtle variations of shape, pattern, and color. To exploit these relationships, TaxaDiffusion progressively trains conditioned diffusion models across different taxonomic levels -- starting from broad classifications such as Class and Order, refining through Family and Genus, and ultimately distinguishing at the Species level. This hierarchical learning strategy first captures coarse-grained morphological traits shared by species with common ancestors, facilitating knowledge transfer before refining fine-grained differences for species-level distinction. As a result, TaxaDiffusion enables accurate generation even with limited training samples per species. Extensive experiments on three fine-grained animal datasets demonstrate that outperforms existing approaches, achieving superior fidelity in fine-grained animal image generation. Project page: https://amink8.github.io/TaxaDiffusion/
• Abstract（参考訳）: 拡散モデルを用いた分類インフォームドトレーニングフレームワークであるTaxaDiffusionを提案する。 各種を独立したカテゴリーとして扱う標準的なアプローチとは異なり、TaxaDiffusionは、多くの種が強い視覚的類似性を示すというドメイン知識を取り入れている。 これらの関係を活用するために、TaxaDiffusionは、クラスやオーダーのような幅広い分類から始まり、ファミリーや遺伝子を精錬し、最終的に種レベルで区別することから、様々な分類レベルの拡散モデルを段階的に訓練した。 この階層的な学習戦略は、まず共通の祖先を持つ種によって共有される粗粒状形態の特徴を捉え、種レベルでの微細な違いを補う前に、知識の伝達を促進する。 その結果、TaxaDiffusionは種ごとに限られた訓練サンプルであっても正確な生成を可能にする。 3つの細粒動物データセットの大規模な実験は、既存のアプローチよりも優れており、細粒動物画像生成において優れた忠実性を達成することを実証している。 プロジェクトページ: https://amink8.github.io/TaxaDiffusion/

関連論文リスト

• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [51.341003735575335]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• A novel approach to navigate the taxonomic hierarchy to address the Open-World Scenarios in Medicinal Plant Classification [0.0]
  既存の薬草分類法は、しばしば階層的な分類や未知の種を正確に識別することができないことが観察された。 DenseNet121,Multi-Scale Self-Attention (MSSA) と階層分類のためのカスケード分類器を組み合わせた新しい手法を提案する。 提案するモデルサイズは,既存の最先端技術に比べて約4倍小さく,現実のアプリケーションに容易にデプロイできる。
  論文  参考訳（メタデータ） (2025-02-24T16:20:25Z)
• G2PDiffusion: Cross-Species Genotype-to-Phenotype Prediction via Evolutionary Diffusion [108.94237816552024]
  本稿では,DNAから形態像を生成する最初の遺伝子型対フェノタイプ拡散モデル(G2PDiffusion)を提案する。 本モデルは,1)保存および共進化パターンを識別するMSA検索エンジン,2)複雑なジェノタイプ-環境相互作用を効果的にモデル化する環境対応MSA条件エンコーダ,3)遺伝子型-フェノタイプ整合性を改善する適応型表現的アライメントモジュールを含む。
  論文  参考訳（メタデータ） (2025-02-07T06:16:31Z)
• Evolutionary Dispersal of Ecological Species via Multi-Agent Deep Reinforcement Learning [0.0]
  本研究は,多エージェント強化学習(MARL)と深度Q-networks(DQN)を用いて,単一種と捕食者-捕食者の相互作用をシミュレートする。 我々のシミュレーションでは、進化的分散戦略を明らかにし、種分散機構の洞察を与え、伝統的な数学的モデルを検証する。
  論文  参考訳（メタデータ） (2024-10-24T10:21:23Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。