論文の概要: DragGANSpace: Latent Space Exploration and Control for GANs

• arxiv url: http://arxiv.org/abs/2509.22169v1
• Date: Fri, 26 Sep 2025 10:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.36893
• Title: DragGANSpace: Latent Space Exploration and Control for GANs
• Title（参考訳）: DragGANSpace: GANのための潜在宇宙探査と制御
• Authors: Kirsten Odendaal, Neela Kaushik, Spencer Halverson,
• Abstract要約: この研究はStyleGAN、DragGAN、主成分分析(PCA)を統合し、GAN生成画像の遅延空間効率と制御性を向上させる。 画像操作のためのDrag-GANフレームワークにPCAをベースとした次元削減を組み込むことで、最適化効率を向上しつつ、性能を維持できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This work integrates StyleGAN, DragGAN and Principal Component Analysis (PCA) to enhance the latent space efficiency and controllability of GAN-generated images. Style-GAN provides a structured latent space, DragGAN enables intuitive image manipulation, and PCA reduces dimensionality and facilitates cross-model alignment for more streamlined and interpretable exploration of latent spaces. We apply our techniques to the Animal Faces High Quality (AFHQ) dataset, and find that our approach of integrating PCA-based dimensionality reduction with the Drag-GAN framework for image manipulation retains performance while improving optimization efficiency. Notably, introducing PCA into the latent W+ layers of DragGAN can consistently reduce the total optimization time while maintaining good visual quality and even boosting the Structural Similarity Index Measure (SSIM) of the optimized image, particularly in shallower latent spaces (W+ layers = 3). We also demonstrate capability for aligning images generated by two StyleGAN models trained on similar but distinct data domains (AFHQ-Dog and AFHQ-Cat), and show that we can control the latent space of these aligned images to manipulate the images in an intuitive and interpretable manner. Our findings highlight the possibility for efficient and interpretable latent space control for a wide range of image synthesis and editing applications.
• Abstract（参考訳）: この研究はStyleGAN、DragGAN、主成分分析(PCA)を統合し、GAN生成画像の遅延空間効率と制御性を向上させる。 Style-GAN は構造化された潜在空間を提供し、DragGAN は直感的なイメージ操作を可能にし、PCA は次元を減らし、より簡潔で解釈可能な潜在空間探索のためのクロスモデルアライメントを容易にする。 動物顔高品質(AFHQ)データセットに本手法を適用し,画像操作のためのDrag-GANフレームワークとPCAに基づく次元削減を統合するアプローチは,最適化効率を向上しつつ,性能を維持できることを示した。 特に、DragGANの潜伏W+層にPCAを導入することで、優れた視覚的品質を維持しつつ、特に浅い潜伏空間(W+層=3)において、最適化された画像の構造的類似度指数測定(SSIM)を向上させることができる。 また、類似の異なるデータ領域(AFHQ-DogとAFHQ-Cat)で訓練された2つのStyleGANモデルによって生成された画像の整列性を示すとともに、これらの整列画像の潜時空間を直感的かつ解釈可能な方法で制御できることを示す。 本研究は,画像合成と編集の幅広い分野で,効率的かつ解釈可能な潜在空間制御の可能性を明らかにするものである。

関連論文リスト

• Efficient Semantic Splatting for Remote Sensing Multi-view Segmentation [29.621022493810088]
  本稿では,ガウススプラッティングに基づくセマンティックスプラッティング手法を提案する。 提案手法は,RGB画像とセマンティックセグメンテーション結果を同時にレンダリングし,画像平面上に点雲のRGB属性と意味的特徴を投影する。
  論文  参考訳（メタデータ） (2024-12-08T15:28:30Z)
• DragDiffusion: Harnessing Diffusion Models for Interactive Point-based Image Editing [94.24479528298252]
  DragGANは、ピクセルレベルの精度で印象的な編集結果を実現する、インタラクティブなポイントベースの画像編集フレームワークである。 大規模な事前学習拡散モデルを利用することで、実画像と拡散画像の両方における対話的点ベース編集の適用性を大幅に向上する。 本稿では,対話的点ベース画像編集手法の性能を評価するため,DragBenchというベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-06-26T06:04:09Z)
• Towards Composable Distributions of Latent Space Augmentations [0.0]
  本稿では、複数の拡張を簡単に組み合わせることができる潜在空間画像拡張のための構成可能なフレームワークを提案する。 我々のフレームワークは変分オートエンコーダアーキテクチャに基づいており、潜在空間自体の線形変換による拡張に新しいアプローチを採用している。 これらの特性は、特定の拡張のペアでより優れたパフォーマンスを示すが、潜在空間を他の拡張のセットに転送してパフォーマンスを変更することができる。
  論文  参考訳（メタデータ） (2023-03-06T19:37:01Z)
• LinkGAN: Linking GAN Latents to Pixels for Controllable Image Synthesis [104.26279487968839]
  本研究は、GANトレーニングのための使い易い正規化器を提案する。 これは、潜在空間のいくつかの軸を合成画像中のピクセルの集合に明示的に関連付けるのに役立つ。
  論文  参考訳（メタデータ） (2023-01-11T17:56:36Z)
• High-fidelity GAN Inversion with Padding Space [38.9258619444968]
  GAN(Generative Adversarial Network)の反転は、事前訓練されたジェネレータを用いた幅広い画像編集作業を容易にする。 既存の手法では、通常、反転空間としてGANの潜伏空間を用いるが、空間詳細の回復は不十分である。 本稿では, 潜伏空間を空間情報で補うため, ジェネレータのパディング空間を包含することを提案する。
  論文  参考訳（メタデータ） (2022-03-21T16:32:12Z)
• Optimizing Latent Space Directions For GAN-based Local Image Editing [15.118159513841874]
  画像編集の局所性を評価するために,新たな目的関数を提案する。 我々のフレームワークであるLocally Effective Latent Space Direction (LELSD)は,任意のデータセットやGANアーキテクチャに適用可能である。 また,提案手法は高速であり,画像の編集を対話的に行うことが可能である。
  論文  参考訳（メタデータ） (2021-11-24T16:02:46Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Style Intervention: How to Achieve Spatial Disentanglement with Style-based Generators? [100.60938767993088]
  任意の入力画像に適応し、フレキシブルな目的の下で自然な翻訳効果をレンダリングできる軽量な最適化アルゴリズムを提案する。 フォトリアリズムと一貫性の両方を必要とする高解像度画像の顔属性編集において,提案するフレームワークの性能を検証する。
  論文  参考訳（メタデータ） (2020-11-19T07:37:31Z)

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。