論文の概要: RaceGAN: A Framework for Preserving Individuality while Converting Racial Information for Image-to-Image Translation

• arxiv url: http://arxiv.org/abs/2509.15391v1
• Date: Thu, 18 Sep 2025 19:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.885616
• Title: RaceGAN: A Framework for Preserving Individuality while Converting Racial Information for Image-to-Image Translation
• Title（参考訳）: RaceGAN: 画像間翻訳のための画像情報変換における個人性維持のためのフレームワーク
• Authors: Mst Tasnim Pervin, George Bebis, Fang Jiang, Alireza Tavakkoli,
• Abstract要約: GAN(Generative Adversarial Network)は画像から画像への翻訳において大きな進歩を見せている。 人種属性翻訳中に複数のドメインにスタイルコードをマッピングできる新しいフレームワークであるRaceGANを提案する。
• 参考スコア（独自算出の注目度）: 1.6062738500955343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative adversarial networks (GANs) have demonstrated significant progress in unpaired image-to-image translation in recent years for several applications. CycleGAN was the first to lead the way, although it was restricted to a pair of domains. StarGAN overcame this constraint by tackling image-to-image translation across various domains, although it was not able to map in-depth low-level style changes for these domains. Style mapping via reference-guided image synthesis has been made possible by the innovations of StarGANv2 and StyleGAN. However, these models do not maintain individuality and need an extra reference image in addition to the input. Our study aims to translate racial traits by means of multi-domain image-to-image translation. We present RaceGAN, a novel framework capable of mapping style codes over several domains during racial attribute translation while maintaining individuality and high level semantics without relying on a reference image. RaceGAN outperforms other models in translating racial features (i.e., Asian, White, and Black) when tested on Chicago Face Dataset. We also give quantitative findings utilizing InceptionReNetv2-based classification to demonstrate the effectiveness of our racial translation. Moreover, we investigate how well the model partitions the latent space into distinct clusters of faces for each ethnic group.
• Abstract（参考訳）: GAN(Generative Adversarial Network)は,近年,画像から画像への翻訳に大きく進歩している。 CycleGANは最初、一対のドメインに制限されたが、その先導者だった。 StarGANはこの制約を克服し、画像から画像への変換をさまざまなドメインにわたって行うが、これらのドメインに対してより詳細な低レベルなスタイルの変更をマップできなかった。 参照誘導画像合成によるスタイルマッピングは、StarGANv2とStyleGANの革新によって実現されている。 しかし、これらのモデルは個性を維持しておらず、入力に加えて追加の参照画像が必要である。 本研究の目的は,多領域画像から画像への変換による人種的特徴の翻訳である。 比較画像に頼らずに、個人性や高レベルの意味を保ちながら、人種的属性翻訳中に複数のドメインにまたがるスタイルコードをマッピングできる新しいフレームワークであるRaceGANを提案する。 RaceGANはシカゴ・フェイス・データセットでのテストで人種的特徴(アジア、白人、黒人など)の翻訳で他のモデルを上回っている。 また、インセプションReNetv2に基づく分類を用いて、人種翻訳の有効性を実証した。 さらに、モデルが潜在空間をそれぞれの民族群ごとに異なる顔の集合に分割する方法について検討する。

関連論文リスト

• StegoGAN: Leveraging Steganography for Non-Bijective Image-to-Image Translation [18.213286385769525]
  CycleGANベースの手法は、生成した画像のミスマッチした情報を隠して、サイクル一貫性の目的をバイパスすることが知られている。 本稿では,ステガノグラフィーを利用した新しいモデルであるStegoGANを紹介した。 我々のアプローチは、追加の後処理や監督を必要とすることなく、翻訳画像のセマンティック一貫性を高める。
  論文  参考訳（メタデータ） (2024-03-29T12:23:58Z)
• SCONE-GAN: Semantic Contrastive learning-based Generative Adversarial Network for an end-to-end image translation [18.93434486338439]
  SCONE-GANはリアルで多様な風景画像を生成する学習に有効であることが示されている。 より現実的で多様な画像生成のために、スタイル参照画像を導入します。 画像から画像への変換と屋外画像のスタイリングのための提案アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2023-11-07T10:29:16Z)
• Unsupervised Image-to-Image Translation with Generative Prior [103.54337984566877]
  教師なし画像画像変換は、ペアデータなしで2つの視覚領域間の翻訳を学習することを目的としている。 本稿では,GP-UNIT(Generative Prior-guided UN Image-to-image Translation)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:23Z)
• Multi-domain Unsupervised Image-to-Image Translation with Appearance Adaptive Convolution [62.4972011636884]
  本稿では,MDUIT(Multi-domain unsupervised image-to-image translation)フレームワークを提案する。 我々は、分解されたコンテンツ特徴と外観適応的畳み込みを利用して、画像をターゲットの外観に変換する。 提案手法は,最先端の手法と比較して,複数の領域で視覚的に多様かつ妥当な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-02-06T14:12:34Z)
• Smoothing the Disentangled Latent Style Space for Unsupervised Image-to-Image Translation [56.55178339375146]
  イメージ・ツー・イメージ(I2I)マルチドメイン翻訳モデルは通常、セマンティックな結果の品質を用いて評価される。 本稿では,翻訳ネットワークがスムーズでゆがみのあるラテントスタイル空間を学習するのに役立つ,3つの特定の損失に基づく新たなトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2021-06-16T17:58:21Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Unsupervised Image-to-Image Translation via Pre-trained StyleGAN2 Network [73.5062435623908]
  本稿では,一連のモデル変換によって対象領域に新たなモデルを生成する新しいI2I翻訳手法を提案する。 潜在ベクトルを生成されたモデルに入力することで、ソースドメインとターゲットドメインの間でI2I翻訳を行うことができる。
  論文  参考訳（メタデータ） (2020-10-12T13:51:40Z)
• BalaGAN: Image Translation Between Imbalanced Domains via Cross-Modal Transfer [53.79505340315916]
  ドメイン不均衡問題に対処するために特別に設計されたBalaGANを紹介する。 我々は、画像から画像への変換問題を、バランスよく、複数クラス、条件付き翻訳問題に変換するために、よりリッチなドメインの潜在モダリティを利用する。 本研究では,BalaGANが,無条件およびスタイル変換に基づく画像から画像への変換方式の強いベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-05T14:16:41Z)

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。