論文の概要: Stylized Synthetic Augmentation further improves Corruption Robustness

• arxiv url: http://arxiv.org/abs/2512.15675v2
• Date: Thu, 18 Dec 2025 11:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 14:03:03.331103
• Title: Stylized Synthetic Augmentation further improves Corruption Robustness
• Title（参考訳）: スティル化合成強化は破壊ロバスト性をさらに改善する
• Authors: Georg Siedel, Rojan Regmi, Abhirami Anand, Weijia Shao, Silvia Vock, Andrey Morozov,
• Abstract要約: 本稿では,合成画像データとニューラルスタイル転送を組み合わせたトレーニングデータ拡張パイプラインを提案する。 合成画像にスタイル転送を適用すると、一般的なFID測定値に対して品質が低下するが、これらの画像はモデルトレーニングに驚くほど有益であることを示す。
• 参考スコア（独自算出の注目度）: 4.206961078715932
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper proposes a training data augmentation pipeline that combines synthetic image data with neural style transfer in order to address the vulnerability of deep vision models to common corruptions. We show that although applying style transfer on synthetic images degrades their quality with respect to the common FID metric, these images are surprisingly beneficial for model training. We conduct a systematic empirical analysis of the effects of both augmentations and their key hyperparameters on the performance of image classifiers. Our results demonstrate that stylization and synthetic data complement each other well and can be combined with popular rule-based data augmentation techniques such as TrivialAugment, while not working with others. Our method achieves state-of-the-art corruption robustness on several small-scale image classification benchmarks, reaching 93.54%, 74.9% and 50.86% robust accuracy on CIFAR-10-C, CIFAR-100-C and TinyImageNet-C, respectively
• Abstract（参考訳）: 本稿では,合成画像データとニューラルスタイル転送を併用したトレーニングデータ拡張パイプラインを提案する。 合成画像にスタイル転送を適用すると、一般的なFID測定値に対して品質が低下するが、これらの画像はモデルトレーニングに驚くほど有益であることを示す。 画像分類器の性能に及ぼす拡張と鍵ハイパーパラメータの影響を系統的に解析する。 以上の結果から,タイマライゼーションと合成データは相互に相補的であり,TrivialAugmentのような一般的なルールベースのデータ拡張技術と組み合わせることができる。 CIFAR-10-C, CIFAR-100-C, TinyImageNet-Cで93.54%, 74.9%, 50.86%の精度を達成した。

関連論文リスト

• Stylized Structural Patterns for Improved Neural Network Pre-training [1.8641315013048299]
  コンピュータビジョンにおけるディープラーニングモデルは、実際の画像の大規模なデータセットを必要とする。 最近の研究では、合成データが代替として提案されているが、訓練されたモデルはしばしば性能が劣っている。 そこで我々は,新しい種類の合成データを導入し,改良されたニューラルフラクタル定式化を提案する。 第二に,視覚的特徴を,ライセンスのない小さな実画像から合成データセットへ伝達する手法であるリバースススタイリングを提案する。
  論文  参考訳（メタデータ） (2025-06-24T09:47:31Z)
• LayerMix: Enhanced Data Augmentation through Fractal Integration for Robust Deep Learning [1.786053901581251]
  ディープラーニングモデルは、アウト・オブ・ディストリビューション(OOD)のサンプルに直面すると、一貫したパフォーマンスを維持するのに苦労することが多い。 モデルロバスト性を体系的に強化する革新的なデータ拡張アプローチであるLayerMixを紹介する。 本手法は,ニューラルネットワークの一般化能力を大幅に向上させる意味論的一貫した合成サンプルを生成する。
  論文  参考訳（メタデータ） (2025-01-08T22:22:44Z)
• Good, Cheap, and Fast: Overfitted Image Compression with Wasserstein Distortion [13.196774986841469]
  データ分布よりも視覚知覚のモデル化に焦点をあてることで、視覚品質とビットレートのトレードオフをうまく達成できることを示す。 我々は、Wasserstein Distortion (WD)のために、過度に適合した画像であるC3を最適化することでこれを行う。
  論文  参考訳（メタデータ） (2024-11-30T15:05:01Z)
• FairDiff: Fair Segmentation with Point-Image Diffusion [15.490776421216689]
  本研究は,合成画像を統合することで,データ駆動型戦略強化データバランスを採用する。 3つのネットワークを経験的リスクと公平性の目標に向けて最適化する,共同最適化方式で問題を定式化する。 本モデルは,最先端のフェアネス学習モデルと比較して,優れたフェアネスセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-07-08T17:59:58Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Exploring the Robustness of Human Parsers Towards Common Corruptions [99.89886010550836]
  我々は,LIP-C,ATR-C,Pascal-Person-Part-Cという3つの汚職堅牢性ベンチマークを構築し,人間の解析モデルのリスク許容度を評価する。 データ強化戦略に触発されて、一般に破損した条件下で頑健性を高めるための新しい異種強化機構を提案する。
  論文  参考訳（メタデータ） (2023-09-02T13:32:14Z)

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。