論文の概要: Geometry Preserving Loss Functions Promote Improved Adaptation of Blackbox Generative Model

• arxiv url: http://arxiv.org/abs/2604.23888v1
• Date: Sun, 26 Apr 2026 21:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.664828
• Title: Geometry Preserving Loss Functions Promote Improved Adaptation of Blackbox Generative Model
• Title（参考訳）: 損失関数を保存する幾何学はブラックボックス生成モデルの適応性を改善する
• Authors: Sinjini Mitra, Constantine Kyriakakis, Shenyuan Liang, Anuj Srivastava, Pavan Turaga,
• Abstract要約: 本稿では,事前学習された生成逆数ネットワーク(GAN)と協調して,幾何学保存損失関数を活用することで,ドメイン適応を目的とした新しいエンドツーエンドパイプラインを提案する。 提案手法は,空間表現の精度向上におけるGAN変換の役割を再定義することで,適応の問題を再考する。 そこで我々は,StyleGANのパイプラインを実分布シフトで評価し,幾何保存損失関数の導入は,従来の損失関数と比較して生成モデルの適応性の向上に寄与することを示した。
• 参考スコア（独自算出の注目度）: 6.247170693747811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptation of blackbox generative models has been widely studied recently through the exploration of several methods including generator fine-tuning, latent space searches, leveraging singular value decomposition, and so on. However, adapting large-scale generative AI tools to specific use cases continues to be challenging, as many of these industry-grade models are not made widely available. The traditional approach of fine-tuning certain layers of a generative network is not feasible due to the expense of storing and fine-tuning generative models, as well as the restricted access to weights and gradients. Recognizing these challenges, we propose a novel end-to-end pipeline aimed at domain adaptation by leveraging geometry-preserving loss functions in conjunction to pre-trained generative adversarial networks (GANs). Our method rethinks the problem of adaptation by re-contextualizing the role of GAN inversion in obtaining accurate latent space representations. Extending the ability of existing state-of-the-art inverters, we preserve pair-wise distances between tangent spaces to successfully train a latent generative model to produce samples from the target distribution. We evaluate our proposed pipeline on StyleGANs with real distribution shifts and demonstrate that the introduction of the geometry preserving loss function lends to improved adaptation of generative models compared to other traditional loss functions.
• Abstract（参考訳）: ブラックボックス生成モデルの適応化は, 発電機微調整, 潜時空間探索, 特異値分解の活用など, 様々な手法の探索を通じて近年広く研究されている。 しかし、これらの業界レベルのモデルの多くが広く利用できないため、特定のユースケースに大規模な生成AIツールを適用することは依然として困難である。 生成ネットワークの特定の層を微調整するという従来のアプローチは、生成モデルの保存と微調整のコスト、および重みと勾配の制限によるアクセスのために実現不可能である。 これらの課題を認識し,GANと協調して幾何保存損失関数を活用することにより,ドメイン適応を目的とした新しいエンドツーエンドパイプラインを提案する。 提案手法は,空間表現の精度向上におけるGAN変換の役割を再定義することで,適応の問題を再考する。 既存の最先端インバータの能力を拡張し、タンジェント空間間のペアワイド距離を保ち、潜在生成モデルを訓練し、ターゲット分布からサンプルを生成する。 そこで我々は,StyleGANのパイプラインを実分布シフトで評価し,幾何保存損失関数の導入は,他の従来の損失関数と比較して生成モデルの適応性を向上させることに役立つことを示した。

関連論文リスト

• Efficient Generative Transformer Operators For Million-Point PDEs [12.324265832276538]
  ECHOは100万ポイントのPDEトラジェクトリを生成するためのトランスフォーマー演算フレームワークである。 複雑,高周波,長期の地平線を特徴とする100万点シミュレーションの最先端性能を実証する。
  論文  参考訳（メタデータ） (2025-12-04T16:46:48Z)
• Manifold Decoders: A Framework for Generative Modeling from Nonlinear Embeddings [0.0]
  著名なNLDR手法のためのニューラルデコーダアーキテクチャを構築するためのシステム・アティック・フレームワークを提案する。 このフレームワークは、これらの学習された多様体空間内で直接動作する拡散ベースの生成プロセスを実装することで拡張される。 その結果,デコーダはデータの再構築に成功しているが,その品質はエンドツーエンドの最適化されたオートエンコーダに勝っていることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T14:50:51Z)
• Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
  少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。 LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。 このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
  論文  参考訳（メタデータ） (2025-09-24T08:57:21Z)
• GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
  制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。 GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。 我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
  論文  参考訳（メタデータ） (2025-07-02T18:44:03Z)
• Orthogonal Projection Subspace to Aggregate Online Prior-knowledge for Continual Test-time Adaptation [67.80294336559574]
  連続テスト時間適応(CTTA)は、新しいシナリオに継続的に適応するために、ソース事前訓練されたモデルを必要とするタスクである。 我々は、OoPkと呼ばれるオンライン事前知識を集約する新しいパイプラインOrthogonal Projection Subspaceを提案する。
  論文  参考訳（メタデータ） (2025-06-23T18:17:39Z)
• Efficient Fine-Tuning and Concept Suppression for Pruned Diffusion Models [93.76814568163353]
  本稿では,2段階の拡散モデルに対する新しい最適化フレームワークを提案する。 このフレームワークは、微調整と未学習のプロセスを統一的なフェーズに統合する。 様々なプルーニングや概念未学習の手法と互換性がある。
  論文  参考訳（メタデータ） (2024-12-19T19:13:18Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Latent Diffusion Model for Conditional Reservoir Facies Generation [0.7916635054977068]
  貯水池環境の条件付き生成に特化して設計された新しい潜水拡散モデルが提案されている。 提案モデルでは条件付きデータを厳格に保存する高忠実度ファシリゼーションを実現する。
  論文  参考訳（メタデータ） (2023-11-03T15:10:05Z)
• Variational Autoencoders Without the Variation [0.0]
  変異自己エンコーダ(VAEs)は、生成モデリングにおける一般的なアプローチである。 正規化およびエントロピックオートエンコーダに関する最近の研究は、生成モデリングにおいて、変分的アプローチを除去し、古典的決定論的オートエンコーダ(DAE)に戻す可能性を探り始めた。 本稿では,新たな手法を使わずに画像生成のためのDAEの能力と,大規模ネットワークの暗黙的な正規化と平滑化の効果を実証的に検討する。
  論文  参考訳（メタデータ） (2022-03-01T17:39:02Z)

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。