論文の概要: A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation

• arxiv url: http://arxiv.org/abs/2512.21174v1
• Date: Wed, 24 Dec 2025 13:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.7871
• Title: A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation
• Title（参考訳）: より良いアライメントへの転換:等変特徴回転によるFew-Shot生成適応
• Authors: Chenghao Xu, Qi Liu, Jiexi Yan, Muli Yang, Cheng Deng,
• Abstract要約: 少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 67.2019317630466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot image generation aims to effectively adapt a source generative model to a target domain using very few training images. Most existing approaches introduce consistency constraints-typically through instance-level or distribution-level loss functions-to directly align the distribution patterns of source and target domains within their respective latent spaces. However, these strategies often fall short: overly strict constraints can amplify the negative effects of the domain gap, leading to distorted or uninformative content, while overly relaxed constraints may fail to leverage the source domain effectively. This limitation primarily stems from the inherent discrepancy in the underlying distribution structures of the source and target domains. The scarcity of target samples further compounds this issue by hindering accurate estimation of the target domain's distribution. To overcome these limitations, we propose Equivariant Feature Rotation (EFR), a novel adaptation strategy that aligns source and target domains at two complementary levels within a self-rotated proxy feature space. Specifically, we perform adaptive rotations within a parameterized Lie Group to transform both source and target features into an equivariant proxy space, where alignment is conducted. These learnable rotation matrices serve to bridge the domain gap by preserving intra-domain structural information without distortion, while the alignment optimization facilitates effective knowledge transfer from the source to the target domain. Comprehensive experiments on a variety of commonly used datasets demonstrate that our method significantly enhances the generative performance within the targeted domain.
• Abstract（参考訳）: 少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 既存のほとんどのアプローチでは、制約(典型的にはインスタンスレベルの損失関数または分散レベルの損失関数)を導入し、ソースドメインとターゲットドメインの分布パターンをそれぞれの潜在空間内で直接整合させる。 過度に厳密な制約はドメインギャップの負の効果を増幅し、歪んだり非形式的なコンテンツにつながるが、過度に緩和された制約はソースドメインを効果的に活用できない。 この制限は主に、ソースとターゲットドメインの基本的な分布構造における固有の相違に由来する。 ターゲットサンプルの不足は、ターゲットドメインの分布を正確に見積もることを妨げることにより、この問題をさらに複雑にする。 これらの制限を克服するために、ソースドメインとターゲットドメインを2つの相補的なレベルに整列させる新しい適応戦略であるEquivariant Feature Rotation (EFR)を提案する。 具体的には、パラメータ化されたリー群内で適応的な回転を行い、ソース特徴とターゲット特徴の両方を同変のプロキシ空間に変換し、アライメントを行う。 これらの学習可能な回転行列は、歪みのないドメイン内構造情報を保存することによってドメインギャップをブリッジするのに役立つ一方、アライメント最適化はソースからターゲットドメインへの効果的な知識伝達を促進する。 汎用データセットの総合的な実験により,本手法は対象領域における生成性能を大幅に向上させることを示した。

関連論文リスト

• Group-wise Scaling and Orthogonal Decomposition for Domain-Invariant Feature Extraction in Face Anti-Spoofing [7.902884193437407]
  特徴直交分解(FOD)とグループワイドスケーリングリスク最小化(GS-RM)を通じて重みとバイアスを協調的に調整する新しいDGFASフレームワークを提案する。 提案手法は,最先端性能を実現し,精度を継続的に向上し,バイアス補正を低減し,未確認対象領域の安定性を向上する。
  論文  参考訳（メタデータ） (2025-07-05T11:20:19Z)
• PACF: Prototype Augmented Compact Features for Improving Domain Adaptive Object Detection [34.988894739426954]
  クラス内特徴の分布を正規化するためのプロトタイプ拡張コンパクト特徴量フレームワークを提案する。 相互正則化戦略は、線形およびプロトタイプベースの分類器が互いに学習できるように設計されている。 各種適応設定の結果は最先端であり,提案手法のボード適用性と有効性を示す。
  論文  参考訳（メタデータ） (2025-01-15T06:05:57Z)
• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。