論文の概要: NoiseCutMix: A Novel Data Augmentation Approach by Mixing Estimated Noise in Diffusion Models

• arxiv url: http://arxiv.org/abs/2509.00378v1
• Date: Sat, 30 Aug 2025 06:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.20383
• Title: NoiseCutMix: A Novel Data Augmentation Approach by Mixing Estimated Noise in Diffusion Models
• Title（参考訳）: NoiseCutMix:拡散モデルにおける推定雑音の混合による新しいデータ拡張手法
• Authors: Shumpei Takezaki, Ryoma Bise, Shinnosuke Matsuo,
• Abstract要約: 拡散モデルの生成過程にCutMixの概念を導入する新しいデータ拡張手法を提案する。 本研究では,二つのクラスの融合特性を特徴とする自然な高解像度画像生成を実現するため,NossCutMixという手法を提案する。
• 参考スコア（独自算出の注目度）: 8.232962021356185
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this study, we propose a novel data augmentation method that introduces the concept of CutMix into the generation process of diffusion models, thereby exploiting both the ability of diffusion models to generate natural and high-resolution images and the characteristic of CutMix, which combines features from two classes to create diverse augmented data. Representative data augmentation methods for combining images from multiple classes include CutMix and MixUp. However, techniques like CutMix often result in unnatural boundaries between the two images due to contextual differences. Therefore, in this study, we propose a method, called NoiseCutMix, to achieve natural, high-resolution image generation featuring the fused characteristics of two classes by partially combining the estimated noise corresponding to two different classes in a diffusion model. In the classification experiments, we verified the effectiveness of the proposed method by comparing it with conventional data augmentation techniques that combine multiple classes, random image generation using Stable Diffusion, and combinations of these methods. Our codes are available at: https://github.com/shumpei-takezaki/NoiseCutMix
• Abstract（参考訳）: 本研究では,拡散モデルの生成過程にCutMixの概念を導入し,自然および高解像度の画像を生成する拡散モデルと,2つのクラスの特徴を組み合わせた多種多様な拡張データを生成するCutMixの特徴の両方を活用する新しいデータ拡張手法を提案する。 複数のクラスのイメージを組み合わせるための代表的なデータ拡張手法には、CutMixとMixUpがある。 しかし、CutMixのような技術は、文脈の違いによって2つの画像の間に不自然な境界をもたらすことが多い。 そこで本研究では,拡散モデルにおいて,2つの異なるクラスに対応する推定ノイズを部分的に組み合わせ,2つのクラスの融合特性を特徴付ける自然な高分解能画像生成を実現する手法であるNossCutMixを提案する。 分類実験では,複数のクラスを組み合わせた従来のデータ拡張手法,安定拡散を用いたランダム画像生成,およびそれらの組み合わせを用いて,提案手法の有効性を検証した。 私たちのコードは、https://github.com/shumpei-takezaki/NoiseCutMixで利用可能です。

関連論文リスト

• SUMix: Mixup with Semantic and Uncertain Information [41.99721365685618]
  混合データ拡張アプローチは、ディープラーニングの様々なタスクに応用されている。 そこで我々は,SUMix という新しい手法を提案し,混合率と混合試料の不確かさを学習する。
  論文  参考訳（メタデータ） (2024-07-10T16:25:26Z)
• GenMix: Combining Generative and Mixture Data Augmentation for Medical Image Classification [0.6554326244334868]
  我々はGenMixと呼ばれる新しいデータ拡張手法を提案する。 両方の手法の強みを利用するために、生成的アプローチと混合的アプローチを組み合わせる。 我々はGenMixが様々な生成モデルの性能を向上させることを実証した。
  論文  参考訳（メタデータ） (2024-05-31T07:32:31Z)
• DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models [18.44432223381586]
  近年、ディープニューラルネットワークの一般化を改善するために、画像混合に基づく拡張技術が数多く導入されている。 これらの手法では、2つ以上のランダムに選択された自然画像が混合され、拡張画像を生成する。 DiffuseMixを提案する。DiffuseMixは、拡散モデルを利用してトレーニング画像を再構成する新しいデータ拡張手法である。
  論文  参考訳（メタデータ） (2024-04-05T05:31:02Z)
• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)

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。